段小手，君兮科技创始人，毕业于北京大学。具有10余年国内一线互联网/电子商务公司项目管理经验。其负责的跨境电子商务项目曾获得“国家发改委电子商务示范项目”“中关村现代服务业试点项目”“北京市信息化基础设施提升项目”“北京市外贸综合公共平台”等专项政策支持。目前重点研究领域为机器学习和深度学习等方面。

第1章 概 述
1.1 什么是机器学习——从一个小故事开始
1.2 机器学习的一些应用场景——蝙蝠公司的业务单元
1.3 机器学习应该如何入门——世上无难事
1.4 有监督学习与无监督学习
1.5 机器学习中的分类与回归
1.6 模型的泛化、过拟合与欠拟合
1.7 小结
第2章 基于Python语言的环境配置
2.1 Python的下载和安装
2.2 Jupyter Notebook的安装与使用方法
2.2.1 使用pip进行Jupyter Notebook的下载和安装
2.2.2 运行Jupyter Notebook
2.2.3 Jupyter Notebook的使用方法
2.3 一些必需库的安装及功能简介
2.3.1 Numpy——基础科学计算库
2.3.2 Scipy——强大的科学计算工具集
2.3.3 pandas——数据分析的利器
2.3.4 matplotlib——画出优美的图形
2.4 scikit-learn——非常流行的Python机器学习库
2.5 小结
第3章 K最近邻算法——近朱者赤，近墨者黑
3.1 K最近邻算法的原理
3.2 K最近邻算法的用法
3.2.1 K最近邻算法在分类任务中的应用
3.2.2 K最近邻算法处理多元分类任务
3.2.3 K最近邻算法用于回归分析
3.3 K最近邻算法项目实战——酒的分类
3.3.1 对数据集进行分析
3.3.2 生成训练数据集和测试数据集
3.3.3 使用K最近邻算法进行建模
3.3.4 使用模型对新样本的分类进行预测
3.4 小结
第4章 广义线性模型——“耿直”的算法模型
4.1 线性模型的基本概念
4.1.1 线性模型的一般公式
4.1.2 线性模型的图形表示
4.1.3 线性模型的特点
4.2 最基本的线性模型——线性回归
4.2.1 线性回归的基本原理
4.2.2 线性回归的性能表现
4.3 使用L2正则化的线性模型——岭回归
4.3.1 岭回归的原理
4.3.2 岭回归的参数调节
4.4 使用L1正则化的线性模型——套索回归
4.4.1 套索回归的原理
4.4.2 套索回归的参数调节
4.4.3 套索回归与岭回归的对比
4.5 小结
第5章 朴素贝叶斯——打雷啦，收衣服啊
5.1 朴素贝叶斯基本概念
5.1.1 贝叶斯定理
5.1.2 朴素贝叶斯的简单应用
5.2 朴素贝叶斯算法的不同方法
5.2.1 贝努利朴素贝叶斯
5.2.2 高斯朴素贝叶斯
5.2.3 多项式朴素贝叶斯
5.3 朴素贝叶斯实战——判断肿瘤是良性还是恶性
5.3.1 对数据集进行分析
5.3.2 使用高斯朴素贝叶斯进行建模
5.3.3 高斯朴素贝叶斯的学习曲线
5.4 小结
第6章 决策树与随机森林——会玩读心术的算法
6.1 决策树
6.1.1 决策树基本原理
6.1.2 决策树的构建
6.1.3 决策树的优势和不足
6.2 随机森林
6.2.1 随机森林的基本概念
6.2.2 随机森林的构建
6.2.3 随机森林的优势和不足
6.3 随机森林实例——要不要和相亲对象进一步发展
6.3.1 数据集的准备
6.3.2 用get_dummies处理数据
6.3.3 用决策树建模并做出预测
6.4 小结
第7章 支持向量机SVM——专治线性不可分
7.1 支持向量机SVM基本概念
7.1.1 支持向量机SVM的原理
7.1.2 支持向量机SVM的核函数
7.2 SVM的核函数与参数选择
7.2.1 不同核函数的SVM对比
7.2.2 支持向量机的gamma参数调节
7.2.3 SVM算法的优势与不足
7.3 SVM实例——波士顿房价回归分析
7.3.1 初步了解数据集
7.3.2 使用SVR进行建模
7.4 小结
第8章 神经网络——曾入“冷宫”，如今得宠
8.1 神经网络的前世今生
8.1.1 神经网络的起源
8.1.2 第一个感知器学习法则
8.1.3 神经网络之父——杰弗瑞·欣顿
8.2 神经网络的原理及使用
8.2.1 神经网络的原理
8.2.2 神经网络中的非线性矫正
8.2.3 神经网络的参数设置
8.3 神经网络实例——手写识别
8.3.1 使用MNIST数据集
8.3.2 训练MLP神经网络
8.3.3 使用模型进行数字识别
8.4 小结
第9章 数据预处理、降维、特征提取及聚类——快刀斩乱麻
9.1 数据预处理
9.1.1 使用StandardScaler进行数据预处理
9.1.2 使用MinMaxScaler进行数据预处理
9.1.3 使用RobustScaler进行数据预处理
9.1.4 使用Normalizer进行数据预处理
9.1.5 通过数据预处理提高模型准确率
9.2 数据降维
9.2.1 PCA主成分分析原理
9.2.2 对数据降维以便于进行可视化
9.2.3 原始特征与PCA主成分之间的关系
9.3 特征提取
9.3.1 PCA主成分分析法用于特征提取
9.3.2 非负矩阵分解用于特征提取
9.4 聚类算法
9.4.1 K均值聚类算法
9.4.2 凝聚聚类算法
9.4.3 DBSCAN算法
9.5 小结
第10章 数据表达与特征工程——锦上再添花
10.1 数据表达
10.1.1 使用哑变量转化类型特征
10.1.2 对

机器学习正在迅速改变我们的世界。我们几乎每天都会读到机器学习如何改变日常的生活。如果你在淘宝或者京东这样的电子商务网站购买商品，或者在爱奇艺或是腾讯视频这样的视频网站观看节目，甚至只是进行一次百度搜索，就已经触碰到了机器学习的应用。使用这些服务的用户会产生数据，这些数据会被收集，在进行预处理之后用来训练模型，而模型会通过这些数据来提供更好的用户体验。此外，目前还有很多使用机器学习技术的产品或服务即将在我们的生活当中普及，如能够解放双手的无人驾驶汽车、聪明伶俐的智能家居产品、善解人意的导购机器人等。可以说要想深入机器学习的应用开发当中，现在就是一个非常理想的时机。
段小手著的《深入浅出Python机器学习》内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识，从内容结构上非常注重知识的实用性和可操作性。全书采用由浅入深、循序渐进的讲授方式，完全遵循和尊重初学者对机器学习知识的认知规律。本书适合有一定程序设计语言和算法基础的读者学习使用。