本书自第1版出版以来，备受广大读者欢迎。第3版结合TensorFlow 2和scikit-learn的最新版本进行了更新，其范围进行了扩展，以涵盖强化学习和生成对抗网络（GAN）这两种最先进的机器学习技术。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，还讨论了机器学习概念的必要细节，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了直观且翔实的解释，是Python机器学习入门必读之作。书中涵盖了众多高效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，可帮助读者快速解决自己和团队面临的一些重要问题。本书适用于机器学习的初学者和专业技术人员。

塞巴斯蒂安·拉施卡（Sebastian Raschka）从密歇根州立大学获得博士学位，在此期间他主要关注计算生物学和机器学习交叉领域的方法研究。他在2018年夏季加人威斯康星-麦迪逊大学，担任统计学助理教授。他的主要研究活动包括开发新的深度学习体系结构来解决生物统计学领域的问题。
Sebastian在Python编程方面拥有多年经验，多年来针对数据科学、机器学习和深度学习的实际应用组织过多次研讨会，并在SciPy（重要的Python科学计算会议）上发布过机器学习教程。
本书是Sebastian的主要学术成就之一，也是Packt和Amazon.com的畅销书之一，曾获《ACM计算评论》2016年度最佳奖，并被翻译成包括德文、韩文、中文、日文、俄文、波兰文和意大利文在内的多种语言。
在闲暇时间里，Sebastian热衷于为开源项目做贡献，他所实现的方法现已成功用于像Kaggle这样的机器学习竞赛。

译者序
前言
作者简介
审校者简介
第1章 赋予计算机从数据中学习的能力
1.1 构建能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的结构
1.3 基本术语与符号
1.3.1 本书中使用的符号和约定
1.3.2 机器学习的术语
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 评估模型并对未曾谋面的数据进行预测
1.5 将Python用于机器学习
1.5.1 利用Python Package Index安装Python及其他软件包
1.5.2 采用Anaconda Python发行版和软件包管理器
1.5.3 用于科学计算、数据科学和机器学习的软件包
1.6 本章小结
第2章 训练简单的机器学习分类算法
2.1 人工神经元——机器学习的早期历史
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 用Python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 自适应线性神经元和学习收敛
2.3.1 通过梯度下降最小化代价函数
2.3.2 用Python实现Adaline
2.3.3 通过特征缩放改善梯度下降
2.3.4 大规模机器学习与随机梯度下降
2.4 本章小结
第3章 scikit-learn机器学习分类器
3.1 选择分类算法
3.2 了解scikit-learn的第一步——训练感知器
3.3 基于逻辑回归的分类概率建模
3.3.1 逻辑回归与条件概率
……
第4章 构建良好的训练数据集——数据预处理
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 组合不同模型的集成学习
第8章 用机器学习进行情感分析
第9章 将机器学习模型嵌入Web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 用深度卷积神经网络为图像分类
第16章 用循环神经网络为序列数据建模
第17章 用生成对抗网络合成新数据
第18章 用于复杂环境决策的强化学习