《机器学习入门必备》是一本机器学习入门的必备图书，书中没有让人头晕眼花的公式推导，而是通过一些易于理解的类比、案例以及图片，以通俗易懂的方式讲解了机器学习中的一些名词和常见算法，使初学者能够很容易地掌握机器学习的相关概念工具、数据处理、回归与分析、建模与优化等内容。书中还介绍了使用代码构建一个机器学习模型，将读者带入实践环节。
　　《机器学习入门必备》非常适合没有任何基础的人工智能爱好者学习使用；对于对机器学习领域还不是很了解的读者来说，《机器学习入门必备》也是一本非常好的入门书籍。

译者序
前言

第1章 什么是机器学习

第2章 机器学习种类
2．1 监督学习
2．2 非监督学习
2．3 强化学习

第3章 机器学习工具箱
3．1 数据
3．2 基础设施
3．3 算法
3．4 可视化
3．5 高级工具箱
3．6 大数据
3．7 高级基础设施
3．8 高级算法

第4章 数据清洗
4．1 特征选择
4．2 行压缩
4．3 One-hot编码
4．4 分箱
4．5 缺失值

第5章 设置数据
5．1 交叉验证
5．2 需要多少数据

第6章 回归分析
6．1 计算示例
6．2 逻辑回归
6．3 支持向量机

第7章 聚类
7．1 k近邻
7．2 k均值聚类
7．3 设置k值

第8章 偏差和方差

第9章 人工神经网络
9．1 概述
9．2 构建神经网络

第10章 决策树
10．1 构建决策树
10．2 随机森林
10．3 Boosting

第11章 集成建模

第12章 开发环境
12．1 导库
12．2 导入数据集并预览
12．3 查找行
12．4 打印列名

第13章 使用Python构建模型
13．1 导库
13．2 导入数据集
13．3 清洗数据集
13．4 清洗过程
13．5 分割数据
13．6 选择算法并配置超参数
13．7 评估结果

第14章 模型优化
14．1 模型优化代码
14．2 网格搜索模型代码

第15章 模型测试

第16章 其他资源
16．1 机器学习
16．2 人工智能的未来
16．3 编程
16．4 推荐系统
16．5 深度学习
16．6 未来生涯

第17章 数据集下载
17．1 世界幸福报告数据集
17．2 酒店评论数据集
17．3 精酿啤酒数据集

参考文献