机器学习入门必备

　　《机器学习入门必备》是一本机器学习入门的必备图书，书中没有让人头晕眼花的公式推导，而是通过一些易于理解的类比、案例以及图片，以通俗易懂的方式讲解了机器学习中的一些名词和常见算法，使初学者能够很容易地掌握机器学习的相关概念工具、数据处理、回归与分析、建模与优化等内容。书中还介绍了使用代码构建一个机器学习模型，将读者带入实践环节。
　　《机器学习入门必备》非常适合没有任何基础的人工智能爱好者学习使用；对于对机器学习领域还不是很了解的读者来说，《机器学习入门必备》也是一本非常好的入门书籍。

译者序
前言

第1章 什么是机器学习

第2章 机器学习种类
2．1 监督学习
2．2 非监督学习
2．3 强化学习

第3章 机器学习工具箱
3．1 数据
3．2 基础设施
3．3 算法
3．4 可视化
3．5 高级工具箱
3．6 大数据
3．7 高级基础设施
3．8 高级算法

第4章 数据清洗
4．1 特征选择
4．2 行压缩
4．3 One-hot编码
4．4 分箱
4．5 缺失值

第5章 设置数据
5．1 交叉验证
5．2 需要多少数据

第6章 回归分析
6．1 计算示例
6．2 逻辑回归
6．3 支持向量机

第7章 聚类
7．1 k近邻
7．2 k均值聚类
7．3 设置k值

第8章 偏差和方差

第9章 人工神经网络
9．1 概述
9．2 构建神经网络

第10章 决策树
10．1 构建决策树
10．2 随机森林
10．3 Boosting

第11章 集成建模

第12章 开发环境
12．1 导库
12．2 导入数据集并预览
12．3 查找行
12．4 打印列名

第13章 使用Python构建模型
13．1 导库
13．2 导入数据集
13．3 清洗数据集
13．4 清洗过程
13．5 分割数据
13．6 选择算法并配置超参数
13．7 评估结果

第14章 模型优化
14．1 模型优化代码
14．2 网格搜索模型代码

第15章 模型测试

第16章 其他资源
16．1 机器学习
16．2 人工智能的未来
16．3 编程
16．4 推荐系统
16．5 深度学习
16．6 未来生涯

第17章 数据集下载
17．1 世界幸福报告数据集
17．2 酒店评论数据集
17．3 精酿啤酒数据集

参考文献

　　如今关于人工智能的话题越来越多，也有越来越多的人想要从事人工智能方面的工作，但是对于一些想要踏足这一领域的初学者来说，人工智能还是太过神秘。
　　想要入门人工智能的一些朋友往往不知道从何下手，也不知道需要掌握什么样的技能，甚至除了“人工智能”这四个字之外，对它涉及的知识领域一无所知，会把机器学习与自己学习操控机器搞混，也更容易把人工智能同影视作品中的人工智能相联系，然而事实却并非如此。
　　本书对于机器学习绝对零基础的读者来说，是非常好的入门书籍，难易程度刚刚好，正所谓“人门必备”，阅读起来会觉得很轻松。
　　本书讲述了机器学习的由来，介绍了一些相关概念和名词，并讲解了机器学习工具箱、数据清洗与设置、回归分析、人工神经网络、决策树、集成建模、开发环境、使用Python构建模型、模型测试、其他资源数据集下载等内容。对于初学者而言，开始学习的时候是很难接受艰涩难懂的理论的，因此本书作者还通过各种实际生活中的例子来介绍所涉及的知识。
　　许多人工智能初学者都会问同样一个问题，“入门人工智能对数学水平要求高吗？”人工智能当然是离不开数学的，但作为人门的话，并不要求多么精通数学。有些机器学习的书籍着重介绍理论，有很多数学公式，它们比较适合有一定数学和机器学习基础的读者，而对于初学者，则很难接受并消化这样的知识。在阅读本书的过程中，读者们会发现很少有公式出现，而是以文字、图片、案例的形式将初学者带进门。
　　由于本书写于2017年，而深度学习领域发展迅猛，因此书中提到的一些深度学习框架在您阅读本书时已经过时，而新的框架也应运而生，目前使用PyTorch的用户已经超过了Torch和Caffe，有赶超TensorFlow之势。读者们可以根据自己喜好选择喜欢的框架，甚至可以都学一学之后进行比较。
　　最后，希望此书能够帮助对人工智能感兴趣的各位朋友，将你们引进门，作为迈向更高层次的基石。
　　祝各位学习愉快！