《Python机器学习入门：机器学习算法的理论与实践》全面细致地讲解了机器学习的基础知识及其应用，具体内容包括机器学习中必要的环境搭建和Python的基础知识、有监督学习和无监督学习的理论及其实际应用案例、有监督学习和无监督学习的机器学习模式，并以理论结合公式的方式讲解了Python代码的编写方法，以及数据的采集、处理和实际操作中机器学习的模式。 本书适合人工智能、机器学习方向的学生和技术人员学习、使用，也适合广大人工智能爱好者阅读。

目录 译者的话 原书前言 第1章阅读本书前的准备 1.1Python的安装 1.1.1何为Python 1.1.2Homebrew的安装 1.1.3Python3的安装 1.1.4虚拟环境的创建 1.1.5为何使用venv（为何不用pyenv、anaconda） 1.2Python的使用方法 1.2.1输出Hello World！ 1.2.2IPython的使用 1.2.3四则运算 1.2.4字符串的使用 1.2.5列表类型的使用 1.2.6字典类型的使用 1.2.7其他数据类型 1.2.8条件分支 1.2.9循环 1.2.10函数的使用 1.2.11类的使用 1.2.12标准库的使用 1.3Jupyter Notebook的安装和使用 1.3.1Jupyter Notebook的安装和启动 1.3.2Jupyter Notebook的使用 1.4NumPy、scikit-learn、matplotlib、Pandas的使用 1.4.1NumPy的安装和使用 1.4.2scikit-learn的安装和使用 1.4.3matplotlib的安装和使用 1.4.4Pandas的安装和使用 第2章机器学习在实际中的使用 2.1在工作中运用机器学习 2.1.1关于机器学习 2.1.2输入输出的格式化 2.1.3分析任务的本质 2.1.4实际问题的分析案例 2.2用样本数据尝试有监督学习 2.2.1尝试分类的案例 2.2.2运用决策树分类 2.2.3尝试解决实际问题 2.2.4解决实际问题的注意要点 2.3用样本数据尝试无监督学习 2.3.1无监督学习 2.3.2使用样本尝试scikit-learn 2.4小结 第3章机器学习基础理论 3.1数学知识的准备 3.1.1本节的学习流程 3.1.2为什么数学是必要的 3.1.3集合和函数基础 3.1.4线性代数基础 3.1.5微分基础 3.1.6概率统计基础 3.2机器学习的基础 3.2.1机器学习的目的 3.2.2技术性的假设和用语 3.2.3有监督学习概述 3.2.4从泛化误差看有监督学习 3.2.5无监督学习概述 3.3有监督学习 3.3.1分类模型的精度评价 3.3.2逻辑回归 3.3.3神经网络 3.3.4梯度提升决策树 3.4无监督学习 3.4.1混合高斯模型 3.4.2k-均值 3.4.3层次聚类 3.4.4核密度估计 3.4.5t-SNE 第4章数据的整合与处理 4.1机器学习中数据的使用流程 4.2数据的获取和整合 4.2.1数据结构的理解 4.2.2从结构化数据中读取数据 4.2.3读取数据 4.2.4分组聚合 4.2.5时间格式的操作方法 4.2.6合并 4.3数据的格式化 4.3.1数据种类的理解 4.3.2标准化 4.3.3缺省值 4.4非结构化数据的处理 4.4.1文本数据的预处理 4.4.2终端中MeCab的应用 4.4.3Python中MeCab的应用 4.4.4图片数据的处理 4.5不平衡数据的处理 4.5.1分类问题中的不平衡数据 4.5.2数据不平衡问题 4.5.3一般的处理方法 4.5.4样本权重的调整 4.5.5降采样法