他说：如果能早一点遇到这本书！也不至于到现在都没入门机器学习！

但是你不同你现在就遇到了！这本书就是《python机器学习基础教程》！（柠檬为大家准备了PDF电子版哦！）

本书是机器学习入门书，以Python语言介绍主要内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的優缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法重点讲解交叉验證和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法

本书自出版以来，得到了广夶机器学习爱好者的一致好评！可谓得此书者得天下是大家入门机器学习的不二之选！

1.1　为何选择机器学习 （佳）

1.1.1　机器学习能够解决嘚问题 （企鹅）

1.1.2　熟悉任务和数据 （裙）

1.3 scikit-learn （仔细看括号的的文字哟，可以零曲编程资辽）

1.6　本书用到的版本 10

1.7　第一个应用：鸢尾花分类 11

1.7.2　衡量模型是否成功：训练数据与测试数据 14

1.7.3　要事第一：观察数据 15

1.7.4　构建第一个模型：k近邻算法 16

第2章　监督学习 21

2.2　泛化、过拟合与欠拟合 22

2.3　監督学习算法 24

2.3.4　朴素贝叶斯分类器 53

2.3.8　神经网络（深度学习） 80

2.4　分类器的不确定度估计 91

2.4.3　多分类问题的不确定度 96

第3章　无监督学习与预处理 100

3.1　无监督学习的类型 100

3.2　无监督学习的挑战 101

3.3.3　对训练数据和测试数据进行相同的缩放 104

3.3.4　预处理对监督学习的作用 106

3.4　降维、特征提取与流形学習 107

3.5.4　聚类算法的对比与评估 147

第4章　数据表示与特征工程 161

4.1.2　数字可以编码分类变量 166

4.2　分箱、离散化、线性模型与树 168

4.3　交互特征与多项式特征 171

4.4　单变量非线性变换 178

4.5　自动化特征选择 181

4.5.2　基于模型的特征选择 183

第5章　模型评估与改进 193

5.1.3　分层k 折交叉验证和其他策略 196

5.2.2　参数过拟合的风险与驗证集 202

5.2.3　带交叉验证的网格搜索 203

5.3　评估指标与评分 213

5.3.5　在模型选择中使用评估指标 232

第6章　算法链与管道 236

6.1　用预处理进行参数选择 237

6.3　在网格搜索中使用管道 239

6.4　通用的管道接口 242

6.4.3　访问网格搜索管道中的属性 244

6.5　网格搜索预处理步骤与模型参数 246

6.6　网格搜索选择使用哪个模型 248

第7章　处理攵本数据 250

7.1　用字符串表示的数据类型 250

7.2　示例应用：电影评论的情感分析 252

7.3　将文本数据表示为词袋 254

7.3.1　将词袋应用于玩具数据集 255

7.3.2　将词袋应用於电影评论 256

7.7　多个单词的词袋（n元分词） 263

7.8　高级分词、词干提取与词形还原 267

7.9　主题建模与文档聚类 270

第8章　全书总结 278

8.1　处理机器学习问题 278

8.4　構建你自己的估计器 280

8.5.2　其他机器学习框架和包 281

8.5.3　排序、推荐系统与其他学习类型 282

8.5.4　概率建模、推断与概率编程 282

8.5.6　推广到更大的数据集 283