第1部分 理解機器學習
第1章 機器學習基礎 2
1.1 機器學習的需求 3
1.2 理解機器學習 6
1.3 計算機科學 12
1.4 數據科學 14
1.5 數學 15
1.6 統計學 20
1.7 數據挖掘 22
1.8 人工智能 22
1.9 自然語言處理 23
1.10 深度學習 24
1.11 機器學習方法 29
1.12 監督學習 30
1.13 無監督學習 33
1.14 半監督學習 36
1.15 強化學習 37
1.16 批量學習 37
1.17 在線學習 38
1.18 基于實例的學習 38
1.19 基于模型的學習 39
1.20 CRISP-DM處理模型 39
1.21 構建機器智能 45
1.22 真實案例研究：預測學生獲取推薦 47
1.23 機器學習的挑戰 55
1.24 機器學習的現實應用 55
1.25 總結 56

第2章 Python機器學習生態系統 57
2.1 Python簡介 57
2.2 Python機器學習生態系統簡介 62
2.3 總結 100

第2部分 機器學習流程
第3章 數據的處理、重整以及可視化 102
3.1 數據收集 103
3.2 數據描述 116
3.3 數據重整 117
3.4 數據匯總 128
3.5 數據可視化 130 3.6
總結 152

第4章 特征工程和特征選擇 153
4.1 特征：更好地理解你的數據 154
4.2 重溫機器學習流程 155
4.3 特征提取和特征工程 156
4.4 數值型數據的特征工程 160
4.5 分類型數據的特征工程 174
4.6 文本型數據的特征工程 183
4.7 時態型數據的特征工程 193
4.8 圖像型數據的特征工程 197
4.9 特征縮放 211
4.10 特征選擇 214
4.11 特征降維 221
4.12 總結 224

第5章 構建、調優和模型的部署 225
5.1 構建模型 226
5.2 模型評估 239
5.3 模型調優 248
5.4 模型解釋 259
5.5 模型部署 265
5.6 總結 267

第3部分 真實案例研究
第6章 共享單車趨勢分析 270
6.1 共享單車數據集 270
6.2 問題陳述 271
6.3 探索性數據分析 271
6.4 回歸分析 278
6.5 建模 280
6.6 下一步 291
6.7 總結 292

第7章 電影影評的情感分析 293
7.1 問題陳述 294
7.2 設置依賴項 294
7.3 獲取數據 295
7.4 文字的預處理與標準化 295
7.5 無監督的以詞典為基礎的模型 298
7.6 使用監督學習進行情感分類 306
7.7 傳統的有監督的機器學習模型 308
7.8 較新的有監督的深度學習模型 310
7.9 高級的有監督的深度學習模型 316
7.10 分析情感的因果關系 323
7.11 總結 332

第8章 顧客分類和有效的交叉銷售 /333/
8.1 在線零售交易記錄數據集 333
8.2 探索性數據分析 334
8.3 顧客分類 337
8.4 交叉銷售 350
8.5 總結 361

第9章 分析酒的類型和質量 362
9.1 問題陳述 362
9.2 設置依賴項 363
9.3 獲取數據 363
9.4 探索性數據分析 364
9.5 預測建模 378
9.6 預測葡萄酒類型 379
9.7 預測葡萄酒質量 385
9.8 總結 397

第10章 分析音樂趨勢和推薦 398
10.1 百萬歌曲數據集品味畫像 398
10.2 探索性數據分析 399
10.3 推薦引擎 407
10.4 推薦引擎庫的注意事項 415
10.5 總結 416

第11章 預測股票和商品價格 417
11.1 時序數據及時序分析 417
11.2 預測黃金價格 423
11.3 股票價格預測 432
11.4 總結 445

第12章 計算機視覺深度學習 447
12.1 卷積神經網絡 447
12.2 使用 CNN進行圖像分類 448
12.3 使用 CNN的藝術風格轉換 457
12.4 總結 467