推荐一本python机器学习的书-

书名：《Python进行机器学习》

封面：

目录及源码github地址：https://github.com/amueller/introduction_to_ml_with_python

第 1 章 引言
1.1 为何选择机器学习
1.1.1 机器学习能够解决的问题
1.1.2 熟悉任务和数据
1.2 为何选择Python
1.3 scikit-learn
安装scikit-learn
1.4 必要的库和工具
1.4.1 Jupyter Notebook
1.4.2 NumPy
1.4.3 SciPy
1.4.4 matplotlib
1.4.5 pandas
1.4.6 mglearn
1.5 Python 2与Python 3的对比
1.6 本书用到的版本
1.7 第一个应用： 鸢尾花分类
1.7.1 初识数据
1.7.2 衡量模型是否成功： 训练数据与测试数据
1.7.3 要事第一： 观察数据
1.7.4 构建第一个模型： k近邻算法
1.7.5 做出预测
1.7.6 评估模型
1.8 小结与展望
第 2 章 监督学习
2.1 分类与回归
2.2 泛化、 过拟合与欠拟合
模型复杂度与数据集大小的关系
2.3 监督学习算法
2.3.1 一些样本数据集
2.3.2 k近邻
2.3.3 线性模型
2.3.4 朴素贝叶斯分类器
2.3.5 决策树
2.3.6 决策树集成
2.3.7 核支持向量机
2.3.8 神经网络（ 深度学习）
2.4 分类器的不确定度估计
2.4.1 决策函数
2.4.2 预测概率
2.4.3 多分类问题的不确定度
2.5 小结与展望
第 3 章 无监督学习与预处理
3.1 无监督学习的类型
3.2 无监督学习的挑战
3.3 预处理与缩放
3.3.1 不同类型的预处理
3.3.2 应用数据变换
3.3.3 对训练数据和测试数据进行相同的缩放
3.3.4 预处理对监督学习的作用
3.4 降维、 特征提取与流形学习
3.4.1 主成分分析
3.4.2 非负矩阵分解
3.4.3 用t-SNE进行流形学习
3.5 聚类
3.5.1 k均值聚类
3.5.2 凝聚聚类
3.5.3 DBSCAN
3.5.4 聚类算法的对比与评估
3.5.5 聚类方法小结
3.6 小结与展望
第 4 章 数据表示与特征工程
4.1 分类变量
4.1.1 One-Hot编码（ 虚拟变量）
4.1.2 数字可以编码分类变量
4.2 分箱、 离散化、 线性模型与树
4.3 交互特征与多项式特征
4.4 单变量非线性变换
4.5 自动化特征选择
4.5.1 单变量统计
4.5.2 基于模型的特征选择
4.5.3 迭代特征选择
4.6 利用专家知识
4.7 小结与展望
第 5 章 模型评估与改进
5.1 交叉验证
5.1.1 scikit-learn中的交叉验证
5.1.2 交叉验证的优点
5.1.3 分层 k 折交叉验证和其他策略
5.2 网格搜索
5.2.1 简单网格搜索
5.2.2 参数过拟合的风险与验证集
5.2.3 带交叉验证的网格搜索
5.3 评估指标与评分
5.3.1 牢记最终目标
5.3.2 二分类指标
5.3.3 多分类指标
5.3.4 回归指标
5.3.5 在模型选择中使用评估指标
5.4 小结与展望
第 6 章 算法链与管道
6.1 用预处理进行参数选择
6.2 构建管道
6.3 在网格搜索中使用管道
6.4 通用的管道接口
6.4.1 用make_pipeline方便地创建管道
6.4.2 访问步骤属性
6.4.3 访问网格搜索管道中的属性
6.5 网格搜索预处理步骤与模型参数
6.6 网格搜索选择使用哪个模型
6.7 小结与展望
第 7 章 处理文本数据
7.1 用字符串表示的数据类型
7.2 示例应用： 电影评论的情感分析
7.3 将文本数据表示为词袋
7.3.1 将词袋应用于玩具数据集
7.3.2 将词袋应用于电影评论
7.4 停用词
7.5 用tf-idf缩放数据
7.6 研究模型系数
7.7 多个单词的词袋（ n元分词）
7.8 高级分词、 词干提取与词形还原
7.9 主题建模与文档聚类
隐含狄利克雷分布
7.10 小结与展望
第 8 章 全书总结
8.1 处理机器学习问题
参与决策过程的人
8.2 从原型到生产
8.3 测试生产系统
8.4 构建你自己的估计器
8.5 下一步怎么走
8.5.1 理论
8.5.2 其他机器学习框架和包
8.5.3 排序、 推荐系统与其他学习类型
8.5.4 概率建模、 推断与概率编程
8.5.5 神经网络
8.5.6 推广到更大的数据集
8.5.7 磨练你的技术
8.6 总结