機器學習入門:Python語言實現 Python 3 for Machine Learning

Oswald Campesato

專門研究深度學習、Java、Android和TensorFlow。
他是25本書的作者/合著者，其中包括TensorFlow Pocket Primer、
Artificial Intelligence, Machine Learning, and Deep Learning和Python Pocket Primer。

譯者序
前言
第1章　Python 3簡介 1
11　Python相關工具與安裝 1
111　Python相關工具 1
112　安裝Python 3
113　設置PATH環境變量（僅Windows） 3
12　Python編程基礎 3
121　Python交互式解釋器 3
122　Python基礎語法 4
123　以模塊形式保存代碼 6
124　Python中的一些標準模塊 7
125　help(?)和dir(?)函數 7
126　編譯時和運行時的代碼檢查 8
13　Python中的簡單數據類型 9
131　數字 9
132　字符串 12
133　處理日期 19
14　Python中的異常處理 21
141　處理用戶輸入 22
142　命令行參數 24
15　小結 25
第2章　條件邏輯、循環和函數 26
21　Python中的條件邏輯 26
211　Python的保留關鍵字 27
212　Python運算符的優先級 28
213　比較運算符和布爾運算符 28
22　Python中的變量和參數 29
221　局部變量和全局變量 29
222　變量的作用域 29
223　引用傳遞和值傳遞 31
224　實參和形參 31
23　在Python中使用循環 32
231　Python中的for循環 32
232　Python中的while循環 39
24　Python中的用戶自定義函數 41
241　在函數中設定默認值 42
242　具有可變參數的函數 42
243　lambda表達式 43
25　遞歸 44
251　計算階乘值 44
252　計算斐波那契數 45
253　計算兩個數的最大公約數 45
254　計算兩個數的最小公倍數 46
26　小結 47
第3章　Python數據類型 48
31　列表 48
311　列表和基本操作 48
312　列表中的表達式 53
313　連接字符串行表 53
314　Python中的range(?)函數 54
315　數組和append(?)函數 55
316　使用列表和split(?)函數 56
317　對列表中的單詞計數 56
318　遍歷成對的列表 57
319　其他與列表相關的函數 57
3110　棧和隊列 59
3111　使用向量 60
3112　使用矩陣 61
3113　使用NumPy庫處理矩陣 61
32　元組（不可變列表） 62
33　集合 63
34　字典 64
341　創建字典及字典中的基本操作 65
342　字典的相關函數和方法 67
343　字典的格式 67
344　有序字典 67
35　Python中的其他數據類型 68
351　Python中的其他序列類型 68
352　Python中的可變類型和不可變類型 69
353　type(?)函數 70
36　小結 70
第4章　NumPy和Pandas介紹 71
41　NumPy 71
411　NumPy簡介 71
412　NumPy數組 72
413　使用NumPy數組的示例 73
42　子範圍 77
421　使用向量的“-1”子範圍 77
422　使用數組的“-1”子範圍 77
43　NumPy中其他有用的方法 78
431　數組和向量操作 79
432　NumPy和點積 79
433　NumPy和向量的“範數” 80
434　NumPy和向量的乘積 81
435　NumPy和reshape(?)方法 82
436　計算均值和標準差 83
44　Pandas 84
45　Pandas DataFrame的各種操作 89
451　合併Pandas DataFrame 89
452　使用Pandas DataFrame進行數據操作 90
453　Pandas DataFrame和CSV文件 93
454　Pandas DataFrame和Excel電子表格 95
455　選擇、添加和刪除DataFrame中的列 96
456　Pandas DataFrame和散點圖 97
457　Pandas DataFrame和簡單統計 98
458　Pandas中簡單有用的命令 98
46　小結 100
第5章　機器學習 101
51　什麼是機器學習 101
511　機器學習算法的類型 103
512　特徵工程、特徵選擇和特徵提取 105
513　降維 106
52　使用數據集 107
521　訓練數據與測試數據 108
522　什麼是交叉驗證 108
523　正則化 108
524　偏差-方差的權衡 109
525　模型性能的衡量指標 109
53　線性回歸 111
531　線性回歸與曲線擬合 112
532　何時的解是準確值 112
533　什麼是多元分析 112
534　其他類型的回歸 113
535　平面中對直線的處理（選讀） 113
54　求解線性回歸問題的示例 116
541　使用NumPy和Matplotlib繪製散點圖 116
542　MSE 119
543　Keras的線性回歸 123
55　小結 126
第6章　機器學習中的分類器 127
61　分類器 127
611　什麼是分類 127
612　線性分類器 129
613　kNN 129
614　決策樹 130
615　隨機森林 133
616　支持向量機 134
617　貝葉斯分類器 134
618　訓練分類器 136
619　評估分類器 137
62　激活函數 137
621　什麼是激活函數 137
622　常見的激活函數 139
623　ReLU和ELU激活函數 140
624　sigmoid、softmax和tanh的相似之處 141
625　sigmoid、softmax和hardmax的區