《图解机器学习算法（全彩印刷）》（[日]秋庭伸也 [日]杉山阿圣 [日]寺田学|译者:郑明智）-图书推荐
编辑推荐语
152张图表，轻松掌握17种常用算法！没有复杂公式，零基础也可轻松读懂！1.全面 网罗有监督学习和无监督学习的17种算法，涉及回归、分类、降维、聚类等问题。2.直观 全彩图解，让原本抽象复杂的算法变得一目了然，方便读者快速了解各算法的特征，学会如何选择恰当的算法。3.易懂 几乎没有数学公式和统计术语，零基础也可轻松读懂。4.实现 各算法均用Python代码实现，基于Python 3.7版本，读者可下载配套代码资源，边试边学。
内容提要
本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。
作者简介
秋庭伸也（作者）日本早稻田大学硕士毕业，目前在Recruit Communications公司担任技术负责人。 杉山阿圣（作者）具有多年研发经验，目前在AI创业公司SENSY担任机器学习研究员。 寺田学（作者） CMS Communications公司董事长、日本PyCon会议组织者、Plone基金会大使、Python工程师发展协会顾问理事、PSF（Python软件基金会）贡献成员。郑明智（译者）智慧医疗工程师，翻译经验丰富，有《白话机器学习的数学》《用Python动手学机器学习》等多部译著。
目录
第1章
机器学习基础1
1.1机器学习概要2
什么是机器学习2
机器学习的种类3
机器学习的应用8
1.2机器学习的步骤9
数据的重要性9
有监督学习（分类）的例子11
无监督学习（聚类）的例子16
可视化18
图形的种类和画法：使用Matplotlib显示图形的方法22
使用pandas理解和处理数据30
本章小结36
第2章
有监督学习37
2.1算法1：线性回归38
概述38
算法说明39
详细说明41
2.2算法2：正则化45
概述45
算法说明48
详细说明50
2.3算法3：逻辑回归52
概述52
算法说明53
详细说明55
2.4算法4：支持向量机58
概述58
算法说明59
详细说明60
2.5算法5：支持向量机（核方法）63
概述63
算法说明64
详细说明65
2.6算法6：朴素贝叶斯68
概述68
算法说明70
详细说明74
2.7算法7：随机森林76
概述76
算法说明77
详细说明80
2.8算法8：神经网络81
概述81
算法说明83
详细说明86
2.9算法9：KNN88
概述88
算法说明89
详细说明90
第3章
无监督学习93
3.1算法10：PCA94
概述94
算法说明95
详细说明98
3.2算法11：LSA99
概述99
算法说明100
详细说明104
3.3算法12：NMF105
概述105
算法说明106
详细说明108
3.4算法13：LDA111
概述111
算法说明112
详细说明114
3.5算法14：k-means算法117
概述117
算法说明117
详细说明119
3.6算法15：混合高斯分布122
概述122
算法说明123
详细说明126
3.7算法16：LLE127
概述127
算法说明128
详细说明131
3.8算法17：t-SNE133
概述133
算法说明134
详细说明136
第4章
评估方法和各种数据的处理139
4.1评估方法140
有监督学习的评估140
分类问题的评估方法140
回归问题的评估方法148
均方误差和决定系数指标的不同152
与其他算法进行比较152
超参数的设置154
模型的过拟合155
防止过拟合的方法155
将数据分为训练数据和验证数据156
交叉验证158
搜索超参数160
4.2文本数据的转换处理163
基于单词出现次数的转换163
基于tf-idf的转换164
应用于机器学习模型165
4.3图像数据的转换处理167
直接将像素信息作为数值使用167
将转换后的向量数据作为输入来应用机器学习模型168
第5章
环境搭建171
5.1Python 3的安装172
Windows172
macOS172
Linux173
使用Anaconda在Windows上安装174
5.2虚拟环境175
通过官方安装程序安装Python的情况175
通过Anaconda安装Python的情况177
5.3第三方包的安装178
什么是第三方包178
安装第三方包的方法178
参考文献180
