阅读本书，即使读者仅掌握高中数学知识，也能理解和应用强大的机器学习技术！简单来讲，机器学习是一套以算法为基础的数据分析技术，当你提供更多数据时，算法可反馈更好的结果。ML支持许多**技术，如**系统、面部识别软件、智能扬声器，甚至包括自动驾驶汽车。本书不落窠臼，示例丰富，精选的练习十分有趣，插图清晰，讲解机器学习的核心概念。 《机器学习图解》以简明易懂的方式介绍机器学习的算法和技术。本书不谈深奥的术语，只通过基本代数知识提供清晰的解释。你将使用Python构建有趣的项目，包括垃圾邮件检测和图像识别模型；还将学习一些实用技能，以清理和准备数据。 ? 分类和划分数据的监督算法 ? 清理和简化数据的方法 ? 机器学习包和工具 ? 复杂数据集的神经网络和集成方法 读者阅读本书前，**了解Python基础知识，不必了解机器学习知识。

第1 章 什么是机器学习？这是一种常识，**特别之处在于由计算机完成 1 1.1 我是否需要掌握大量的数学和编程背景知识才能理解机器学习 2 1.2 机器学习究竟是什么 3 1.3 如何让机器根据数据做出决策？记忆-制定-预测框架 6 1.4 本章小结 12 第2 章 机器学习类型 15 2.1 标签数据和无标签数据的区别 17 2.2 监督学习：���理标签数据的机器学习分支 18 2.3 无监督学习：处理无标签数据的机器学习分支 21 2.4 什么是强化学习 28 2.5 本章小结 30 2.6 练习 31 第3 章 在点附近画一条线：线性回归 33 3.1 问题：预测房屋的价格 35 3.2 解决方案：建立房价回归模型 35 3.3 如何让计算机绘制出这条线：线性回归算法 41 3.4 如何衡量结果？误差函数 54 3.5 实际应用：使用Turi Create预测房价 61 3.6 如果数据不在一行怎么办？多项式回归 63 3.7 参数和超参数 64 3.8 回归应用 6 3.9 本章小结 66 3.10 练习 66 第4 章 优化训练过程：欠拟合、过拟合、测试和正则化 69 4.1 使用多项式回归的欠拟合和过拟合示例 71 4.2 如何让计算机选择正确的模型？测试 73 4.3 我们在哪里打破了黄金法则，如何解决呢？验证集 75 4.4 一种决定模型复杂度的数值方法：模型复杂度图 76 4.5 避免过拟合的另一种选择：正则化 77 4.6 使用Turi Create 进行多项式回归、测试和正则化 85 4.7 本章小结 89 4.8 练习 90 第5 章 使用线来划分点: 感知器算法 93 5.1 问题：我们在一个外星球上，听不懂外星人的语言 95 5.2 如何确定分类器的好坏？误差函数 108 5.3 如何找到一个好的分类器？感知器算法 115 5.4 感知器算法编程实现 123 5.5 感知器算法的应用 128 5.6 本章小结 129 5.7 练习 130 第6 章 划分点的连续方法：逻辑分类器 133 6.1 逻辑分类器：连续版感知器分类器 134 6.2 如何找到一个好的逻辑分类器？逻辑回归算法 144 6.3 对逻辑回归算法进行编程 150 6.4 实际应用：使用Turi Create对IMDB 评论进行分类 154 6.5 多分类：softmax 函数 156 6.6 本章小结 157 6.7 练习 158 第7 章 如何衡量分类模型？准确率和其他相关概念 159 7.1 准确率：模型的正确频率是多少 160 7.2 如何解决准确率问题？定义不同类型的误差以及如何进行衡量 161 7.3 一个有用的模型评价工具ROC 曲线 170 7.4 本章小结 179 7.5 练习 181 第8 章 使用概率*大化：朴素贝叶斯模型 183 8.1 生病还是健康？以贝叶斯定理为主角的故事 184 8.2 用例：垃圾邮件检测模型 188 8.3 使用真实数据构建垃圾邮件检测模型 201 8.4 本章小结 204 8.5 练习 205 第9 章 通过提问划分数据：决策树 207 9.1 问题：需要根据用户可能下载的内容向用户**应用 213 9.2 解决方案：构建应用**系统 214 9.3 超出“是”或“否”之类的问题 228 9.4 决策树的图形边界 231 9.5 实际应用：使用Scikit-Learn 构建招生模型 234 9.6 用于回归的决策树 238 9.7 应用 241 9.8 本章小结 242 9.9 练习 242 第10 章 组合积木以获得更多力量：神经网络 245 10.1 以更复杂的外星球为例，开启神经网络学习 247 10.2 训练神经网络 258 10.3 Keras 中的神经网络编程 264 10.4 用于回归的神经网络 272 10.5 用于更复杂数据集的其他架构 273 10.6 本章小结 275 10.7 练习 276 第11 章 用风格寻找界限：支持向量机和内核方法 279 11.1 使用新的误差函数构建更好的分类器 281 11.2 Scikit-Learn 中的SVM编程 287 11.3 训练非线性边界的SVM：内核方法 289 11.4 本章小结 308 11.5 练习 309 第12 章 组合模型以*大化结果：集成学习 311 12.1 获取朋友的帮助 312 12.2 bagging：随机组合弱学习器以构建强学习器 314 12.3 AdaBoost：以智能方式组合弱学习器以构建强学习器 319 12.4 梯度提升：使用决策树构建强学习器 327 12.5 XGBoost：一种梯度提升的**方法 332 12.6 集成方法的应用 340 12.7 本章小结 341 12.8 练习 341 第13 章 理论付诸实践：数据工程和机器学习真实示例 343 13.1 泰坦尼克号数据集 344 13.2 清洗数据集：缺失值及其处理方法 348 13.3 特征工程：在训练模型之前转换数据集中的特征 350 13.4 训练模型 355 13.5 调整超参数以找到*佳模型：网格搜索 359 13.6 使用k 折交叉验证来重用训练和验证数据 362 13.7 本章小结 363 13.8 练习 364 以下内容可扫封底二维码下载 附录A 习题解答 365 附录B 梯度下降背后的数学原理： 使用导数和斜率下山 398 附录C 参考资料 416