机器学习入门：Python语言实现

适读人群 ：机器学习及Python初学者
本书旨在为读者提供与机器学习有关Python3的基本编程概念。前4章快速介绍了Python 3、NumPy和Pandas。第5章介绍了机器学习的基本概念。第6章主要介绍机器学习分类器，例如逻辑回归、kNN、决策树、随机森林和SVM。第7章介绍了自然语言处理和强化学习。本书还提供了基于Keras的代码示例作为理论讨论的补充。此外还为正则表达式、Keras和TensorFlow 2提供了单独的附录。

本书旨在为读者提供与机器学习有关Python3的基本编程概念。前4章快速介绍了Python 3、NumPy和Pandas。第5章介绍了机器学习的基本概念。第6章主要介绍机器学习分类器，例如逻辑回归、kNN、决策树、随机森林和SVM。第7章介绍了自然语言处理和强化学习。本书还提供了基于Keras的代码示例作为理论讨论的补充。此外还为正则表达式、Keras和TensorFlow 2提供了单独的附录。

奥斯瓦尔德·坎佩萨托（Oswald Campesato）专门研究深度学习、Java、Android和TensorFlow。他是25本书的作者/合著者，其中包括TensorFlow Pocket Primer、Artificial Intelligence, Machine Learning, and Deep Learning和Python Pocket Primer。

译者序
前言
第1章　Python 3简介 1
11　Python相关工具与安装 1
111　Python相关工具 1
112　安装Python 3
113　设置PATH环境变量（仅Windows） 3
12　Python编程基础 3
121　Python交互式解释器 3
122　Python基础语法 4
123　以模块形式保存代码 6
124　Python中的一些标准模块 7
125　help(?)和dir(?)函数 7
126　编译时和运行时的代码检查 8
13　Python中的简单数据类型 9
131　数字 9
132　字符串 12
133　处理日期 19
14　Python中的异常处理 21
141　处理用户输入 22
142　命令行参数 24
15　小结 25
第2章　条件逻辑、循环和函数 26
21　Python中的条件逻辑 26
211　Python的保留关键字 27
212　Python运算符的优先级 28
213　比较运算符和布尔运算符 28
22　Python中的变量和参数 29
221　局部变量和全局变量 29
222　变量的作用域 29
223　引用传递和值传递 31
224　实参和形参 31
23　在Python中使用循环 32
231　Python中的for循环 32
232　Python中的while循环 39
24　Python中的用户自定义函数 41
241　在函数中设定默认值 42
242　具有可变参数的函数 42
243　lambda表达式 43
25　递归 44
251　计算阶乘值 44
252　计算斐波那契数 45
253　计算两个数的最大公约数 45
254　计算两个数的最小公倍数 46
26　小结 47
第3章　Python数据类型 48
31　列表 48
311　列表和基本操作 48
312　列表中的表达式 53
313　连接字符串列表 53
314　Python中的range(?)函数 54
315　数组和append(?)函数 55
316　使用列表和split(?)函数 56
317　对列表中的单词计数 56
318　遍历成对的列表 57
319　其他与列表相关的函数 57
3110　栈和队列 59
3111　使用向量 60
3112　使用矩阵 61
3113　使用NumPy库处理矩阵 61
32　元组（不可变列表） 62
33　集合 63
34　字典 64
341　创建字典及字典中的基本操作 65
342　字典的相关函数和方法 67
343　字典的格式 67
344　有序字典 67
35　Python中的其他数据类型 68
351　Python中的其他序列类型 68
352　Python中的可变类型和不可变类型 69
353　type(?)函数 70
36　小结 70
第4章　NumPy和Pandas介绍 71
41　NumPy 71
411　NumPy简介 71
412　NumPy数组 72
413　使用NumPy数组的示例 73
42　子范围 77
421　使用向量的“-1”子范围 77
422　使用数组的“-1”子范围 77
43　NumPy中其他有用的方法 78
431　数组和向量操作 79
432　NumPy和点积 79
433　NumPy和向量的“范数” 80
434　NumPy和向量的乘积 81
435　NumPy和reshape(?)方法 82
436　计算均值和标准差 83
44　Pandas 84
45　Pandas DataFrame的各种操作 89
451　合并Pandas DataFrame 89
452　使用Pandas DataFrame进行数据操作 90
453　Pandas DataFrame和CSV文件 93
454　Pandas DataFrame和Excel电子表格 95
455　选择、添加和删除DataFrame中的列 96
456　Pandas DataFrame和散点图 97
457　Pandas DataFrame和简单统计 98
458　Pandas中简单有用的命令 98
46　小结 100
第5章　机器学习 101
51　什么是机器学习 101
511　机器学习算法的类型 103
512　特征工程、特征选择和特征提取 105
513　降维 106
52　使用数据集 107
521　训练数据与测试数据 108
522　什么是交叉验证 108
523　正则化 108
524　偏差-方差的权衡 109
525　模型性能的衡量指标 109
53　线性回归 111
531　线性回归与曲线拟合 112
532　何时的解是准确值 112
533　什么是多元分析 112
534　其他类型的回归 113
535　平面中对直线的处理（选读） 113
54　求解线性回归问题的示例 116
541　使用NumPy和Matplotlib绘制散点图 116
542　MSE 119
543　Keras的线性回归 123
55　小结 126
第6章　机器学习中的分类器 127
61　分类器 127
611　什么是分类 127
612　线性分类器 129
613　kNN 129
614　决策树 130
615　随机森林 133
616　支持向量机 134
617　贝叶斯分类器 134
618　训练分类器 136
619　评估分类器 137
62　激活函数 137
621　什么是激活函数 137
622　常见的激活函数 139
623　ReLU和ELU激活函数 140
624　sigmoid、softmax和tanh的相似之处 141
625　sigmoid、softmax和hardmax的区

本书的价值主张是什么
本书致力于在篇幅允许的范围内提供尽可能充分、翔实的Python和机器学习的相关内容。
充分利用本书
一些程序员善于从文章中学习，另一些程序员善于从示例代码（大量代码）中学习，这意味着没有一种通用学习方式可以供所有人使用。
此外，一些程序员希望先运行代码，看看代码产生了什么结果，然后再回到代码来深入研究细节（另一些程序员则使用相反的方法）。
所以本书有各种类型的代码示例：有短有长，还有一些则是基于早先的代码示例“构建”的。
为什么不包含软件安装说明
很多网站都有针对不同平台的Python安装说明。本书避免重复这些说明，而把这些篇幅用于介绍Python相关材料。总之，本书试图避免“灌输”内容，并避免出现从网上可轻易获得的设置步骤。
本书的代码是怎样被测试的
本书的代码示例已经在安装了OS X 1085的Macbook Pro上的Python 368版本中进行了测试。
阅读本书，需要先了解什么
最有用的先决条件是一定要熟悉一种脚本语言，例如Perl或PHP。其他编程语言（例如Java）的知识也会有所帮助，因为会从中接触到编程概念和结构。所掌握的技术知识越少，则越需要更多的努力才能理解本书涉及的各个主题。机器学习的基础知识很有帮助，但不是必需的。
如果想确保能够掌握本书的内容，可以先浏??览一些代码示例，以便于了解哪些是熟悉的内容，哪些是新知识。
为什么本书没有那么厚
本书的目标读者涵盖从编程语言的初学者到中级程序员。在编写过程中，我尽量满足目标读者准备自学更多Python高级特性的需要。
为什么各章中有那么多代码示例
不论哪种形式的论述，首要原则就是“行胜于言”。尽管并未囿于该规则的字面意思，但本书的确以此作为目标：先展示，再解释。你可以通过一个简单的实验来自己判断“先展示，再解释”是否在本书中得到贯彻：当读到本书中的代码示例和配套的图形展示时，请确定其是否更有效地呈现了视觉效果或展示了相关主题。俗话说得好，一图胜千言，本书将尽可能地做到图文并茂。
补充文件是否可以取代本书
补充文件包含了所有代码示例，避免了因手动输入代码到文本文件产生错误而消耗的时间和精力。但是本书提供了相应的配套解释，有助于读者理解代码示例一。
本书是否包含生产级代码示例
代码示例展示了Python 3针对机器学习的一些有用特性。对于本书，相比于编写更紧凑的代码（更难于理解且更容易出现错误），我们更注重代码的清晰度。如果读者决定在生产环境中使用本书中的任何代码，则需要按照你自有的代码库进行相同的严格分析。