不靠框架硬功夫：Scikit-learn手刻機器學習每行程式碼


	★ ML 最強套件 scikit-learn ✕ 經典演算法，帶領你徹底攻略所有 ML 必備理論與實踐技能！　　機器學習是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。其研究電腦模擬或實現人類的學習行為，獲取新的知識，重新組合現有知識結構並改善自身的效能。　　本書針對機器學習領域描述了多個學習模型、策略、演算法、理論以及應用，以 Python 3 為基礎，使用 scikit-learn 解決實際問題。　　全書完整介紹機器學習基本概念、演算法流程、模型建構、資料訓練、模型評估與最佳化、必備工具和實現方法，並佐以實際案例，以機器學習的經典演算法為軸線：演算法分析 ▶ 資料獲取 ▶ 模型建構 ▶ 推斷 ▶ 演算法評估，讓你理論與實踐技能一次學會，輕易上手。本書特色　　ML 的最佳參考書，scikit-learn 的最紮實實戰應用，亦為深入 AI 技術的優良基礎！　　● 機器學習概述　　● 資料特徵提取　　● scikit-learn 估計器分類　　● 單純貝氏分類　　● 簡單線性迴歸到多元線性迴歸　　● k 近鄰演算法分類　　● 線性迴歸到邏輯迴歸　　● 非線性分類與決策樹迴歸　　● 決策樹到隨機森林　　● 感知機到支持向量機　　● 從感知機到類神經網路　　● 主成分分析降維


	目錄 01 機器學習概述 1.1 什麼是機器學習 1.2 機器學習的作用領域 1.3 機器學習的分類 1.4 機器學習理論基礎 1.5 機器學習應用程式開發的典型步驟 1.6 本章小結 1.7 複習題 02 機器學習之資料特徵 2.1 資料的分佈特徵 2.2 資料的相關性 2.3 資料的聚類性 2.4 資料主成分分析 2.5 資料動態性及其分析模型 2.6 資料視覺化 2.7 本章小結 2.8 複習題 03 用scikit-learn 估計器分類 3.1 scikit-learn 基礎 3.2 scikit-learn 估計器 3.3 本章小結 3.4 複習題 04 單純貝氏分類 4.1 演算法原理 4.2 單純貝氏分類 4.3 單純貝氏分類實例 4.4 單純貝氏連續值的處理 4.5 本章小結 4.6 複習題 05 線性回歸 5.1 簡單線性回歸模型 5.2 分割資料集 5.3 用簡單線性回歸模型預測考試成績 5.4 本章小結 5.5 複習題 06 用 k 近鄰演算法分類和回歸 6.1 k 近鄰演算法模型 6.2 用 k 近鄰演算法處理分類問題 6.3 用 k 近鄰演算法對鳶尾花進行分類 6.4 用 k 近鄰演算法進行回歸擬合 6.5 本章小結 6.6 複習題 07 從簡單線性回歸到多元線性回歸 7.1 多變數的線性模型 7.2 模型的最佳化 7.3 用多元線性回歸模型預測波士頓房價 7.4 本章小結 7.5 複習題 08 從線性回歸到邏輯回歸 8.1 邏輯回歸模型 8.2 多元分類問題 8.3 正則化項 8.4 模型最佳化 8.5 用邏輯回歸演算法處理二分類問題 8.6 辨識手寫數字的多元分類問題 8.7 本章小結 8.8 複習題 09 非線性分類和決策樹回歸 9.1 決策樹的特點 9.2 決策樹分類 9.3 決策樹回歸 9.4 決策樹的複雜度及使用技巧 9.5 決策樹演算法：ID3、C4.5 和CART 9.6 本章小結 9.7 複習題 10 整合方法：從決策樹到隨機森林 10.1 Bagging 元估計器 10.2 由隨機樹組成的森林 10.3 AdaBoost 10.4 梯度提升回歸樹 10.5 本章小結 10.6 複習題 11 從感知機到支援向量機 11.1 線性支援向量機分類 11.2 非線性支援向量機分類 11.3 支援向量機回歸 11.4 本章小結 11.5 複習題 12 從感知機到類神經網路 12.1 從神經元到類神經元 12.2 感知機 12.3 多層感知機 12.4 本章小結 12.5 複習題 13 主成分分析降維 13.1 資料的向量表示及降維問題 13.2 向量的表示及基變換 13.3 協方差矩陣及最佳化目標 13.4 PCA 演算法流程 13.5 PCA 實例 13.6 scikit-learn PCA 降維實例 13.7 核心主成分分析KPCA 簡介 13.8 本章小結 13.9 複習題 A 參考文獻