●第1章什麼是機器學習？這是一種常識，專享特別之處在於由計算機完成
1.1我是否需要掌握大量的數學和編程背景知識纔能理解機器學習
1.2機器學習究竟是什麼
1.3如何讓機器根據數據做出決策？記憶-制定-預測框架
1.4本章小結

第2章機器學習類型
2.1標簽數據和無標簽數據的區別
2.2監督學習：處理標簽數據的機器學習分支
2.3無監督學習：處理無標簽數據的機器學習分支
2.4什麼是強化學習
2.5本章小結
2.6練習

第3章在點附近畫一條線：線性回歸
3.1問題：預測房屋的價格
3.2解決方案：建立房價回歸模型
3.3如何讓計算機繪制出這條線：線性回歸算法
3.4如何衡量結果？誤差函數
3.5實際應用：使用TuriCreate預測房價
3.6如果數據不在一行怎麼辦？多項式回歸
3.7參數和超參數
3.8回歸應用
3.9本章小結
3.10練習

第4章優化訓練過程：欠擬合、過擬合、測試和正則化
4.1使用多項式回歸的欠擬合和過擬合示例
4.2如何讓計算機選擇正確的模型？測試
4.3我們在哪裡打破了黃金法則，如何解決呢？驗證集
4.4一種決定模型復雜度的數值方法：模型復雜度圖
4.5避免過擬合的另一種選擇：正則化
4.6使用TuriCreate進行多項式回歸、測試和正則化
4.7本章小結
4.8練習

第5章使用線來劃分點：感知器算法
5.1問題：我們在一個外星球上，聽不懂外星人的語言
5.2如何確定分類器的好壞？誤差函數
5.3如何找到一個好的分類器？感知器算法
5.4感知器算法編程實現
5.5感知器算法的應用
5.6本章小結
5.7練習

第6章劃分點的連續方法：邏輯分類器
6.1邏輯分類器：連續版感知器分類器
6.2如何找到一個好的邏輯分類器？邏輯回歸算法
6.3對邏輯回歸算法進行編程
6.4實際應用：使用TuriCreate對IMDB評論進行分類
6.5多分類：softmax函數
6.6本章小結
6.7練習

第7章如何衡量分類模型？準確率和其他相關概念
7.1準確率：模型的正確頻率是多少
7.2如何解決準確率問題？定義不同類型的誤差以及如何進行衡量
7.3一個有用的模型評價工具ROC曲線
7.4本章小結
7.5練習

第8章使用概率優選化：樸素貝葉斯模型
8.1生病還是健康？以貝葉斯定理為主角的故事
8.2用例：垃圾郵件檢測模型
8.3使用真實數據構建垃圾郵件檢測模型
8.4本章小結
8.5練習

第9章通過提問劃分數據：決策樹
9.1問題：需要根據用戶可能下載的內容向用戶推薦應用
9.2解決方案：構建應用推薦繫統
9.3超出“是”或“否”之類的問題
9.4決策樹的圖形邊界
9.5實際應用：使用Scikit-Learn構建招生模型
……

第10章組合積木以獲得更多力量：神經網絡
第11章用風格尋找界限：支持向量機和內核方法
第12章組合模型以優選化結果：集成學習
第13章理論付諸實踐：數據工程和機器學習真實示例

附錄

閱讀本書，即使讀者僅掌握高中數學知識，也能理解和應用強大的機器學習技術！簡單來講，機器學習是一套以算法為基礎的數據分析技術，當你提供更多數據時，算法可反饋更好的結果。ML支持許多很好技術，如推薦繫統、面部識別軟件、智能揚聲器，甚至包括自動駕駛汽車。本書不落窠臼，示例豐富，精選的練習十分有趣，插圖清晰，講解機器學習的核心概念。《機器學習圖解》以簡明易懂的方式介紹機器學習的算法和技術。本書不談深奧的術語，隻通過基本代數知識提供清晰的解釋。你將使用Python構建有趣的項目，包括垃圾郵件檢測和圖像識別模型；還將學習一些實用技能，以清理和準備數據。?分類和劃分數據的監督算法?清理和簡化數據的方法?機器學習包和工具?復雜數據集的神經網絡和集成方法讀者閱讀本書前，**了解Python基礎知識，不必了解機器學習知識。