152張圖表，輕松掌握17種常用算法！沒有復雜公式，零基礎也可輕松讀懂！1.全面 網羅有監督學習和無監督學習的17種算法，涉及回歸、分類、降維、聚類等問題。2.直觀 全彩圖解，讓原本抽像復雜的算法變得一目了然，方便讀者快速了解各算法的特征，學會如何選擇恰當的算法。3.易懂 幾乎沒有數學公式和統計術語，零基礎也可輕松讀懂。4.實現 各算法均用Python代碼實現，基於Python 3.7版本，讀者可下載配套代碼資源，邊試邊學。

●第1章 機器學習基礎
1.1 機器學習概要
什麼是機器學習
機器學習的種類
機器學習的應用
1.2 機器學習的步驟
數據的重要性
有監督學習（分類）的例子
無監督學習（聚類）的例子
可視化
圖形的種類和畫法：使用Matplotlib顯示圖形的方法
使用pandas理解和處理數據
本章小結
第2章 有監督學習
2.1 算法1：線性回歸
概述
算法說明
詳細說明
2.2 算法2：正則化
概述
算法說明
詳細說明
2.3 算法3：邏輯回歸
概述
算法說明
詳細說明
2.4 算法4：支持向量機
概述
算法說明
詳細說明
2.5 算法5：支持向量機（核方法）
概述
算法說明
詳細說明
2.6 算法6：樸素貝葉斯
概述
算法說明
詳細說明
2.7 算法7：隨機森林
概述
算法說明
詳細說明
2.8 算法8：神經網絡
概述
算法說明
詳細說明
2.9 算法9：KNN
概述
算法說明
詳細說明
第3章 無監督學習
3.1 算法10：PCA
概述
算法說明
詳細說明
3.2 算法11：LSA
概述
算法說明
詳細說明
3.3 算法12：NMF
概述
算法說明
詳細說明
3.4 算法13：LDA
概述
算法說明
詳細說明
3.5 算法14：k-means算法
概述
算法說明
詳細說明
3.6 算法15：混合高斯分布
概述
算法說明
詳細說明
3.7 算法16：LLE
概述
算法說明
詳細說明
3.8 算法17：t-SNE
概述
算法說明
詳細說明
第4章 評估方法和各種數據的處理
4.1 評估方法
有監督學習的評估
分類問題的評估方法
回歸問題的評估方法
均方誤差和決定繫數指標的不同
與其他算法進行比較
超參數的設置
模型的過擬合
防止過擬合的方法
將數據分為訓練數據和驗證數據
交叉驗證
搜索超參數
4.2 文本數據的轉換處理
基於單詞出現次數的轉換
基於tf-idf的轉換
應用於機器學習模型
4.3 圖像數據的轉換處理
直接將像素信息作為數值使用
將轉換後的向量數據作為輸入來應用機器學習模型
第5章 環境搭建
5.1 Python 3的安裝
Windows
macOS
Linu
使用Anaconda在Windows上安裝
5.2 虛擬環境
通過官方安裝程序安裝Python的情況
通過Anaconda安裝Python的情況
5.3 三方包的安裝
什麼是三方包
安裝三方包的方法
參考文獻

本書基於豐富的圖示，詳細介紹了有監督學習和無監督學習的17種算法，包括線性回歸、正則化、邏輯回歸、支持向量機、核方法、樸素貝葉斯、隨機森林、神經網絡、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。書中針對各算法均用Python代碼進行了實現，讀者可一邊運行代碼一邊閱讀，從而加深對算法的理解。