本书采用基于任务的方式来介绍如何在机器学习中使用Python。书中有近200个独立的解决方案，针对的都是数据科学家或机器学习工程师在构建模型时可能遇到的最常见任务，涵盖从简单的矩阵和向量运算到特征工程以及神经网络的构建。所有方案都提供了相关代码，读者可以复制并粘贴这些代码，用在自己的程序中。
本书不是机器学习的入门书，适合熟悉机器学习的理论和概念的读者阅读。你可以将本书作为案头参考书，在机器学习的日常开发中遇到的问题时，随时借鉴书中代码，快速解决问题。

克里斯·阿尔本（Chris Albon）是肯尼亚创业公司BRCK的首席数据科学家。他此前创立了AI公司New knowledge和数据科学播客Partially Derivative。Chris在统计学习、人工智能和软件工程方面拥有十年的工作经验。

第1章 向量、矩阵和数组
1.0 简介
1.1 创建一个向量
1.2 创建一个矩阵
1.3 创建一个稀疏矩阵
1.4 选择元素
1.5 展示一个矩阵的属性
1.6 对多个元素同时应用某个操作
1.7 找到大值和小值
1.8 计算平均值、方差和标准差
1.9 矩阵变形
1.10 转置向量或矩阵
1.11 展开一个矩阵
1.12 计算矩阵的秩
1.13 计算行列式
1.14 获取矩阵的对角线元素
1.15 计算矩阵的迹
1.16 计算特征值和特征向量
1.17 计算点积
1.18 矩阵的相加或相减
1.19 矩阵的乘法
1.20 计算矩阵的逆
1.21 生成随机数
第2章 加载数据
2.0 简介
2.1 加载样本数据集
2.2 创建仿真数据集
2.3 加载CSV文件
2.4 加载一个Excel文件
2.5 加载JSON文件
2.6 查询SQL数据库
第3章 数据整理
3.0 简介
3.1 创建一个数据帧
3.2 描述数据
3.3 浏览数据帧
3.4 根据条件语句来选择行
3.5 替换值
3.6 重命名列
3.7 计算小值、大值、总和、平均值与计数值
3.8 查找唯一值
3.9 处理缺失值
3.10 删除一列
3.11 删除一行
3.12 删除重复行
3.13 根据值对行分组
3.14 按时间段对行分组
3.15 遍历一个列的数据
3.16 对一列的所有元素应用某个函数
3.17 对所有分组应用一个函数
3.18 连接多个数据帧
3.19 合并两个数据帧
第4章 处理数值型数据
第5章 处理分类数据
第6章 处理文本
第7章 处理日期和时间
第8章 图像处理
第9章 利用特征提取进行特征降维
第10章 使用特征选择进行降维
第11章 模型评估
第12章 模型选择
第13章 线性回归
第14章 树和森林
第15章 KNN
第16章 逻辑回归
第17章 支持向量机
第18章 朴素贝叶斯
第19章 聚类
第20章 神经网络
第21章 保存和加载训练后的模型