本書旨在為讀者提供與機器學習有關Python3的基本編程概念。前4章快速介紹了Python 3、NumPy和Pandas。第5章介紹了機器學基本概念。第6章主要介紹機器學習分類器，例如邏輯回歸、kNN、決策樹、隨機森林和SVM。第7章介紹了自然語言處理和強化學習。本書還提供了基於Keras的代碼示例作為理論討論的補充。此外還為正則表達式、Keras和TensorFlow 2提供了單獨的附錄。

●譯者序
前言
章 Python 3簡介
1.1 Python相關工具與安裝
1.1.1 Python相關工具
1.1.2 安裝Python
1.1.3 設置PATH環境變量（僅Windows）
1.2 Python編程基礎
1.2.1 Python交互式解釋器
1.2.2 Python基礎語法
1.2.3 以模塊形式保存代碼
1.2.4 Python中的一些標準模塊
1.2.5 help()和dir()函數
1.2.6 編譯時和運行時的代碼檢查
1.3 Python中的簡單數據類型
1.3.1 數字
1.3.2 字符串
1.3.3 處理日期
1.4 Python中的異常處理
1.4.1 處理用戶輸入
1.4.2 命令行參數
1.5 小結
第2章 條件邏輯、循環和函數
2.1 Python中的條件邏輯
2.1.1 Python的保留關鍵字
2.1.2 Python運算符的優先級
2.1.3 比較運算符和布爾運算符
2.2 Python中的變量和參數
2.2.1 局部變量和全局變量
2.2.2 變量的作用域
2.2.3 引用傳遞和值傳遞
2.2.4 實參和形參
2.3 在Python中使用循環
2.3.1 Python中的for循環
2.3.2 Python中的while循環
2.4 Python中的用戶自定義函數
2.4.1 在函數中設定默認值
2.4.2 具有可變參數的函數
2.4.3 lambda表達式
2.5 遞歸
2.5.1 計算階乘值
2.5.2 計算斐波那契數
2.5.3 計算數的大公約數
2.5.4 計算數的小公倍數
2.6 小結
第3章 Python數據類型
3.1 列表
3.1.1 列表和基本操作
3.1.2 列表中的表達式
3.1.3 連接字符串列表
3.1.4 Python中的range()函數
3.1.5 數組和append()函數
3.1.6 使用列表和split()函數
3.1.7 對列表中的單詞計數
3.1.8 遍歷成對的列表
3.1.9 其他與列表相關的函數
3.1.10 棧和隊列
3.1.11 使用向量
3.1.12 使用矩陣
3.1.13 使用NumPy庫處理矩陣
3組（不可變列表）
3.3 集合
3.4 字典
3.4.1 創建字典及字典中的基本操作
3.4.2 字典的相關函數和方法
3.4.3 字典的格式
3.4.4 有序字典
3.5 Python中的其他數據類型
3.5.1 Python中的其他序列類型
3.5.2 Python中的可變類型和不可變類型
3.5.3 type()函數
3.6 小結
第4章 NumPy和Pandas介紹
4.1 NumPy
4.1.1 NumPy簡介
4.1.2 NumPy數組
4.1.3 使用NumPy數組的示例
4.2 子範圍
4.2.1 使用向量的“-1”子範圍
4.2.2 使用數組的“-1”子範圍
4.3 NumPy中其他有用的方法
4.3.1 數組和向量操作
4.3.2 NumPy和點積
4.3.3 NumPy和向量的“範數”
4.3.4 NumPy和向量的乘積
4.3.5 NumPy和reshape()方法
4.3.6 計算均值和標準差
4.4 Pandas
4.5 Pandas DataFrame的各種操作
4.5.1 合並Pandas DataFrame
4.5.2 使用Pandas DataFrame進行數據操作
4.5.3 Pandas DataFrame和CSV文件
4.5.4 Pandas DataFrame和Excel電子表格
4.5.5 選擇、添加和刪除DataFrame中的列
4.5.6 Pandas DataFrame和散點圖
4.5.7 Pandas DataFrame和簡單統計
4.5.8 Pandas中簡單有用的命令
4.6 小結
第5章 機器學習
5.1 什麼是機器學習
5.1.1 機器學習算法的類型
5.1.2 特征工程、特征選擇和特征提取
5.1.3 降維
5.2 使用數據集
5.2.1 訓練數據與測試數據
5.2.2 什麼是交驗證
5.2.3 正則化
5.2.4 偏差-方差的權衡
5.2.5 模型性能的衡量指標
5.3 線性回歸
5.3.1 線性回歸與曲線擬合
5.3.2 何時的解是準確值
5.3.3 什分析
5.3.4 其他類型的回歸
5.3.5 平面中對直線的處理（選讀）
5.4 求解線性回歸問題的示例
5.4.1 使用NumPy和Matplotlib繪制散點圖
5.4.2 MSE
5.4.3 Keras的線性回歸
5.5 小結
第6章 機器學習中的分類器
6.1 分類器
6.1.1 什麼是分類
6.1.2 線性分類器
6.1.3 kNN
6.1.4 決策樹
6.1.5 隨機森林
6.1.6 支持向量機
6.1.7 貝葉斯分類器
6.1.8 訓練分類器
6.1.估分類器
6.2 激活函數
6.2.1 什麼是激活函數
6.2.2 常見的激活函數
6.2.3 ReLU和ELU激活函數
6.2.4 sigmoid、softmax和tanh的相似之處
6.2.5 sigmoid、softmax和hardmax的區別
6.3 邏輯回歸
6.3.1 設置閾值
6.3.2 邏輯回歸的重要假設
6.3.3 線性可分數據
Keras、邏輯回歸和Iris數據集
6.5 小結
第7章 自然語言處理與強化學習
7.1 使用NLP
7.1.1 NLP技術
7.1.2 流行的NLP算法
7.1.3 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0
7.1.4 什麼是Translatotron
7.1.5 NLU與NLG
7.2 強化學習
7.2.1 RL應用
7.2.2 NLP和RL
7.2.3 RL中的值、策略和模型
7.2.4 從NFA到MDP
7.2.5 ε貪心算法
7.2.6 貝爾曼方程
7.2.7 RL中的其他重要概念
7.3 RL工具包和框架
7.3.1 TF-Agents
7.3.2 深度RL
7.4 小結
附錄A 正則表達式簡介
附錄B Keras介紹
附錄C TF 2介紹

本書旨在為讀者提供與機器學習有關Python3的基本編程概念。前4章快速介紹了Python3、NumPy和Pandas。第5章介紹了機器學基本概念。第6章主要介紹機器學習分類器，例如邏輯回歸、kNN、決策樹、隨機森林和SVM。第7章介紹了自然語言處理和強化學習。本書還提供了基於Keras的代碼示例作為理論討論的補充。此外還為正則表達式、Keras和TensorFlow2提供了單獨的附錄。