塞巴斯蒂安·拉施卡、瓦希德·米尔贾利利著的《Python机器学习(原书第2版)》自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门必读之作。
本书将带领你进入预测分析的世界，并展示为什么Python会成为数据科学领域首屈一指的计算机语言。如果你想更好地从数据中得到问题的答案，或者想要提升并扩展现有机器学习系统的性能，那么这本基于数据科学实践的书籍非常值得一读。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，这些内容能使你快速解决你和你的团队面临的一些重要问题。
不管你是学习数据科学的初学者，还是想进一步拓展对数据科学领域的认知，本书都是一个重要且不可错过的资源，它能帮助你了解如何使用Python解决数据中的关键问题。

塞巴斯蒂安·拉施卡，是密歇根州立大学的博士生，他在计算生物学领域提出了几种新的计算方法，还被科技博客Analytics Vidhya评为GitHub上具影响力的数据科学家。他有一整年都使用Python进行编程的经验，同时还多次参加数据科学应用与机器学习领域的研讨会。正是因为Sebastian 在数据科学、机器学习以及Python等领域拥有丰富的演讲和写作经验，他才有动力完成此书的撰写，目的是帮助那些不具备机器学习背景的人设计出由数据驱动的解决方案。

译者序
关于作者
关于审校人员
前言
第1章 赋予计算机从数据中学习的能力
1.1 构建把数据转换为知识的智能机器
1.2 三种不同类型的机器学习
1.2.1 用有监督学习预测未来
1.2.2 用强化学习解决交互问题
1.2.3 用无监督学习发现隐藏结构
1.3 基本术语与符号
1.4 构建机器学习系统的路线图
1.4.1 预处理—整理数据
1.4.2 训练和选择预测模型
1.4.3 评估模型和预测新样本数据
1.5 用Python进行机器学习
1.5.1 从Python包索引安装Python和其他包
1.5.2 采用Anaconda Python和软件包管理器
1.5.3 科学计算、数据科学和机器学习软件包
1.6 小结
第2章 训练简单的机器学习分类算法
2.1 人工神经元—机器学习早期历史一瞥
2.1.1 人工神经元的正式定义
2.1.2 感知器学习规则
2.2 在Python中实现感知器学习算法
2.2.1 面向对象的感知器API
2.2.2 在鸢尾花数据集上训练感知器模型
2.3 自适应神经元和学习收敛
2.3.1 梯度下降为最小代价函数
2.3.2 用Python实现Adaline
2.3.3 通过调整特征大小改善梯度下降
2.3.4 大规模机器学习与随机梯度下降
2.4 小结
第3章 scikit-learn机器学习分类器一览
3.1 选择分类算法
3.2 了解scikit-learn软件库的第一步—训练感知器
3.3 基于逻辑回归的分类概率建模
……
第4章 构建良好的训练集——预处理
第5章 通过降维压缩数据
第6章 模型评估和超参数调优的最佳实践
第7章 综合不同模型的组合学习
第8章 应用机器学习于情感分析
第9章 将机器学习模型嵌入网络应用
第10章 用回归分析预测连续目标变量
第11章 用聚类分析处理无标签数据
第12章 从零开始实现多层人工神经网络
第13章 用TensorFlow并行训练神经网络
第14章 深入探讨TensorFlow的工作原理
第15章 深度卷积神经网络图形识别
第16章 用递归神经网络为序列数据建模