如今，机器学习正在互联网上下掀起热潮，而Python则是非常适合开发机器学习系统的一门优秀语言。作为动态语言，它支持快速探索和实验，并且针对Python的机器学习算法库的数量也与日俱增。本书最大的特色，就是结合实例分析教会读者如何通过机器学习解决实际问题。
本书将向读者展示如何从原始数据中发现模式，首先从Python与机器学习的关系讲起，再介绍一些库，然后就开始基于数据集进行比较正式的项目开发了，涉及建模、推荐及改进，以及声音与图像处理。通过流行的开源库，我们可以掌握如何高效处理文本、图片和声音。同时，读者也能掌握如何评估、比较和选择适用的机器学习技术。
举几个例子，我们会介绍怎么把StackOverflow的回答按质量高低进行分类，怎么知道某个音乐文件是爵士风格，还是重金属摇滚风格。另外，本书还涵盖了主题建模、购物习性分析及云计算等高级内容。总之，通过学习本书，读者可以掌握构建自己所需系统的各方面知识，并且学以致用，解决自己面临的现实问题。
读者只要具有一定的Python编程经验，能够自己安装和使用开源库，就足够了，即使对机器学习一点了解都没有也没关系。本书不会讲机器学习算法背后的数学。
目录
- 第1章 Python机器学习入门 1
- 1.1 梦之队：机器学习与Python 1
- 1.2 这本书将教给你什么（以及不会教什么） 2
- 1.3 遇到困难的时候怎么办 3
- 1.4 开始 4
- 1.4.1 NumPy、SciPy和Matplotlib简介 4
- 1.4.2 安装Python 5
- 1.4.3 使用NumPy和SciPy智能高效地处理数据 5
- 1.4.4 学习NumPy 5
- 1.4.5 学习SciPy 9
- 1.5 我们第一个（极小的）机器学习应用 10
- 1.5.1 读取数据 10
- 1.5.2 预处理和清洗数据 11
- 1.5.3 选择正确的模型和学习算法 12
- 1.6 小结 20
- 第2章 如何对真实样本分类 22
- 2.1 Iris数据集 22
- 2.1.1 第一步是可视化 23
- 2.1.2 构建第一个分类模型 24
- 2.2 构建更复杂的分类器 28
- 2.3 更复杂的数据集和更复杂的分类器 29
- 2.3.1 从Seeds数据集中学习 29
- 2.3.2 特征和特征工程 30
- 2.3.3 最邻近分类 30
- 2.4 二分类和多分类 33
- 2.5 小结 34
- 第3章 聚类：寻找相关的帖子 35
- 3.1 评估帖子的关联性 35
- 3.1.1 不应该怎样 36
- 3.1.2 应该怎样 36
- 3.2 预处理：用相近的公共词语个数来衡量相似性 37
- 3.2.1 将原始文本转化为词袋 37
- 3.2.2 统计词语 38
- 3.2.3 词语频次向量的归一化 40
- 3.2.4 删除不重要的词语 41
- 3.2.5 词干处理 42
- 3.2.6 停用词兴奋剂 44
- 3.2.7 我们的成果和目标 45
- 3.3 聚类 46
- 3.3.1 K均值 46
- 3.3.2 让测试数据评估我们的想法 49
- 3.3.3 对帖子聚类 50
- 3.4 解决我们最初的难题 51
- 3.5 调整参数 54
- 3.6 小结 54
- 第4章 主题模型 55
- 4.1 潜在狄利克雷分配（LDA） 55
- 4.2 在主题空间比较相似度 59
- 4.3 选择主题个数 64
- 4.4 小结 65
- 第5章 分类：检测劣质答案 67
- 5.1 路线图概述 67
- 5.2 学习如何区分出优秀的答案 68
- 5.2.1 调整样本 68
- 5.2.2 调整分类器 68
- 5.3 获取数据 68
- 5.3.1 将数据消减到可处理的程度 69
- 5.3.2 对属性进行预选择和处理 70
- 5.3.3 定义什么是优质答案 71
- 5.4 创建第一个分类器 71
- 5.4.1 从k邻近（kNN）算法开始 71
- 5.4.2 特征工程 72
- 5.4.3 训练分类器 73
- 5.4.4 评估分类器的性能 74
- 5.4.5 设计更多的特征 74
- 5.5 决定怎样提升效果 77
- 5.5.1 偏差?方差及其折中 77
- 5.5.2 解决高偏差 78
- 5.5.3 解决高方差 78
- 5.5.4 高偏差或低偏差 78
- 5.6 采用逻辑回归 81
- 5.6.1 一点数学和一个小例子 81
- 5.6.2 在帖子分类问题上应用逻辑回归 83
- 5.7 观察正确率的背后：准确率和召回率 84
- 5.8 为分类器瘦身 87
- 5.9 出货 88
- 5.10 小结 88
- 第6章 分类II：情感分析 89
- 6.1 路线图概述 89
- 6.2 获取推特（Twitter）数据 89
- 6.3 朴素贝叶斯分类器介绍 90
- 6.3.1 了解贝叶斯定理 90
- 6.3.2 朴素 91
- 6.3.3 使用朴素贝叶斯进行分类 92
- 6.3.4 考虑未出现的词语和其他古怪情况 94
- 6.3.5 考虑算术下溢 95
- 6.4 创建第一个分类器并调优 97
- 6.4.1 先解决一个简单问题 97
- 6.4.2 使用所有的类 99
- 6.4.3 对分类器的参数进行调优 101
- 6.5 清洗推文 104
- 6.6 将词语类型考虑进去 106
- 6.6.1 确定词语的类型 106
- 6.6.2 用SentiWordNet成功地作弊 108
- 6.6.3 我们第一个估算器 110
- 6.6.4 把所有东西融合在一起 111
- 6.7 小结 112
- 第7章 回归：推荐 113
- 7.1 用回归预测房价 113
- 7.1.1 多维回归 116
- 7.1.2 回归里的交叉验证 116
- 7.2 惩罚式回归 117
- 7.2.1 L1和L2惩罚 117
- 7.2.2 在Scikit-learn中使用Lasso或弹性网 118
- 7.3 P大于N的情形 119
- 7.3.1 基于文本的例子 120
- 7.3.2 巧妙地设置超参数（hyperparameter） 121
- 7.3.3 评分预测和推荐 122
- 7.4 小结 126
- 第8章 回归：改进的推荐 127
- 8.1 改进的推荐 127
- 8.1.1 使用二值推荐矩阵 127
- 8.1.2 审视电影的近邻 129
- 8.1.3 组合多种方法 130
- 8.2 购物篮分析 132
- 8.2.1 获取有用的预测 133
- 8.2.2 分析超市购物篮 134
- 8.2.3 关联规则挖掘 136
- 8.2.4 更多购物篮分析的高级话题 137
- 8.3 小结 138
- 第9章 分类III：音乐体裁分类 139
- 9.1 路线图概述 139
- 9.2 获取音乐数据 139
- 9.3 观察音乐 140
- 9.4 用FFT构建第一个分类器 143
- 9.4.1 增加实验敏捷性 143
- 9.4.2 训练分类器 144
- 9.4.3 在多分类问题中用混淆矩阵评估正确率 144
- 9.4.4 另一种方式评估分类器效果：受试者工作特征曲线（ROC） 146
- 9.5 用梅尔倒频谱系数（MFCC）提升分类效果 148
- 9.6 小结 152
- 第10章 计算机视觉：模式识别 154
- 10.1 图像处理简介 154
- 10.2 读取和显示图像 155
- 10.2.1 图像处理基础 156
- 10.2.2 加入椒盐噪声 161
- 10.2.3 模式识别 163
- 10.2.4 计算图像特征 163
- 10.2.5 设计你自己的特征 164
- 10.3 在更难的数据集上分类 166
- 10.4 局部特征表示 167
- 10.5 小结 170
- 第11章 降维 171
- 11.1 路线图 171
- 11.2 选择特征 172
- 11.2.1 用筛选器检测冗余特征 172
- 11.2.2 用封装器让模型选择特征 178
- 11.3 其他特征选择方法 180
- 11.4 特征抽取 181
- 11.4.1 主成分分析（PCA） 181
- 11.4.2 PCA的局限性以及LDA会有什么帮助 183
- 11.5 多维标度法（MDS） 184
- 11.6 小结 187
- 第12章 大数据 188
- 12.1 了解大数据 188
- 12.2 用Jug程序包把你的处理流程分解成几个任务 189
- 12.2.1 关于任务 189
- 12.2.2 复用部分结果 191
- 12.2.3 幕后的工作原理 192
- 12.2.4 用Jug分析数据 192
- 12.3 使用亚马逊Web服务（AWS） 194
- 12.3.1 构建你的第一台机器 195
- 12.3.2 用starcluster自动创建集群 199
- 12.4 小结 202
- 附录A 更多机器学习知识 203
- A.1 在线资源 203
- A.2 参考书 203
- A.2.1 问答网站 203
- A.2.2 博客 204
- A.2.3 数据资源 205
- A.2.4 竞争日益加剧 205
- A.3 还剩下什么 205
- A.4 小结 206
- 索引 207
