1.在講解算法的原理和用 scikit-learn 庫封裝好的方法實現算法之前，先通過幾個例子，教會你具體的計算方法，讓你手動實現算法；2.書中代碼比較連貫，可直接粘貼到Jupyter Notebook中運行，這一點對初學者非常有幫助；3.書中示例淺顯易懂，涵蓋多種應用場景：新聞話題分類、垃圾郵件過濾、在線廣告點擊率預測和股票價格預測等，講解方式生動有趣；4.提供源代碼。本書開篇介紹Python語言和機器學習開發環境的搭建方法。後續章節介紹相關的重要概念，比如數據分析、數據預處理、特征等

●第1章 開始Python和機器學習之旅
1.1 什麼是機器學習？我們為什麼需要它
1.2 機器學習概覽
1.3 機器學習算法發展簡史
1.4 從數據中泛化的能力
1.5 過擬合、欠擬合及偏差和方差的權衡
1.5.1 用交叉檢驗避免過擬合
1.5.2 用正則化避免過擬合
1.6 通過特征選取和降維避免過擬合
1.7 預處理、探索和特征工程
1.7.1 缺失值
1.7.2 標簽編碼
1.7.3 一位有效編碼
1.7.4 調整數值範圍
1.7.5 多項式特征
1.7.6 冪次轉換
1.7.劃分
1.8 模型組合
1.8.1 Bagging
1.8.2 Boosting
1.8.3 Stacking
1.8.4 Blending
1.8.5 投票和平均法
1.9 安裝和設置軟件
1.10 問題解決和尋求幫助
1.11 小結
第2章 用文本分析算法探索20個新聞組數據集
2.1 什麼是NLP
2.2 強大的Python NLP庫之旅
2.3 新聞組數據集
2.4 獲取數據
2.5 思考特征
2.6 可視化
2.7 數據預處理
2.8 聚類
2.9 話題建模
2.10 小結
第3章 用樸素貝葉斯檢測垃圾郵件
3.1 開始分類之旅
3.2 分類的類型
3.3 文本分類應用
3.4 探索樸素貝葉斯
3.5 貝葉斯定理實例講解
3.6 樸素貝葉斯原理
3.7 樸素貝葉斯的實現
3.8 分類器性能評估
3.9 模型調試和交叉檢驗
3.10 小結
第4章 用支持向量機為新聞話題分類
4.1 回顧先前內容和介紹逆文檔頻率
4.2 SVM
4.2.1 SVM的原理
4.2.2 SVM的實現
4.2.3 SVM內核
4.2.4 線性和RBF內核的選擇
4.3 用SVM為新聞話題分類
4.4 更多示例——用SVM根據胎心宮縮監護數據為胎兒狀態分類
4.5 小結
第5章 用基於樹的算法預測點擊率
5.1 廣告點擊率預測簡介
5.2 兩種不同類型的數據：數值型和類別型
5.3 決策樹分類器
5.3.1 構造決策樹
5.3.2 度量劃分的標準
5.3.3 實現決策樹
5.4 用決策樹預測點擊率
5.5 隨機森林——決策樹的特征裝袋技術
5.6 小結
第6章 用對率回歸預測點擊率
6.1 一位有效編碼——將類別型特征轉換為數值型類型
6.2 對率回歸分類器
6.2.1 從對率函數說起
6.2.2 對率回歸的原理
6.2.3 用梯度下降方法訓練對率回歸模型
6.3 用梯度下降對率回歸預測點擊率
6.3.1 訓練隨機梯度下降對率回歸模型
6.3.2 訓練帶正則項的對率回歸模型
6.3.3 用線上學習方法，在大型數據集上訓練
6.3.4 多分類
6.4 用隨機森林選擇參數
6.5 小結
第7章 用回歸算法預測股價
7.1 股市和股價的簡介
7.2 什麼是回歸
7.3 用回歸算法預測股價
7.3.1 特征工程
7.3.2 數據獲取和特征生成
7.3.3 線性回歸
7.3.4 決策樹回歸
7.3.5 支持向量回歸
7.3.6 回歸性能評估
7.3.7 用回歸算法預測股價
7.4 小結
第8章 很好實踐
8.1 機器學習工作流
8.2 數據準備階段的很好實踐
8.2.1 很好實踐1——理解透徹項目的目標
8.2.2 很好實踐2——采集所有相關字段
8.2.3 很好實踐3——字段值保持一致
8.2.4 很好實踐4——缺失值處理
8.3 訓練集生成階段的很好實踐
8.3.1 很好實踐5——用數值代替類別型特征
8.3.2 很好實踐6——決定是否對類別型特征編碼
8.3.3 很好實踐7——是否要選擇特征，怎麼選
8.3.4 很好實踐8——是否降維，怎麼降
8.3.5 很好實踐9——是否縮放特征，怎麼縮放
8.3.6 很好實踐10——帶著領域知識做特征工程
8.3.7 很好實踐11——缺少領域知識的前提下，做特征工程
8.3.8 很好實踐12——記錄每個特征的生成方法
8.4 模型訓練、評估和選擇階段的很好實踐
8.4.1 很好實踐13——選擇從正確的算法開始
8.4.2 很好實踐14——降低過擬合
8.4.3 很好實踐15——診斷過擬合和欠擬合
8.5 繫統部署和監控階段的很好實踐
8.5.1 很好實踐16——保存、加載和重用模型
8.5.2 很好實踐17——監控模型性能
8.5.3 很好實踐18——定期更新模型
8.6 小結

機器學習是近年來比較熱門的一個領域，Python語言經過一段時間的發展也己成為主流的編程語言之一。本書結合了機器學習和Python語言兩個熱門的領域，通過實用案例來詳細講解機器學習的相關知識，以便更好地引起讀者的閱讀興趣並幫助讀者理解相關內容。全書共有8章。第1章講解了Python和機器學習的基礎知識，第2～7章通過多個案例詳細講解了文本分析算法、樸素貝葉斯、支持向量機、對率回歸及回歸算法等知識，案例主要包括探索新聞組數據集、檢測垃圾郵件、微新聞話題分類、預測點擊率以及預測股價等。第8章是很好實踐，主要介紹機器學習方案的整個工作流的很好實踐。本書適合Python程序員、數據分析人員、機器學習領域的從業人員以及對算法感興趣的讀者閱讀。