《sklearn庫(kù)完全使用手冊(cè)》我們將看到一些機(jī)器學(xué)習(xí)的模型和算法。我們會(huì)介紹一些常用的機(jī)器學(xué)習(xí)任務(wù)和模型的效果評(píng)估方法。而這些模型和算法都是通過(guò)十分流行的Python機(jī)器學(xué)習(xí)庫(kù)scikit-learn來(lái)完成，里面有許多機(jī)器學(xué)習(xí)的模型和算法，每個(gè)API都簡(jiǎn)單易用。

第1章，機(jī)器學(xué)習(xí)基礎(chǔ)，將機(jī)器學(xué)習(xí)定義成一種通過(guò)學(xué)習(xí)經(jīng)驗(yàn)改善工作效果的程序研究與設(shè)計(jì)過(guò)程。其他章節(jié)都以這個(gè)定義為基礎(chǔ)，后面每一章里介紹的機(jī)器學(xué)習(xí)模型都是按照這個(gè)思路解決任務(wù)，評(píng)估效果。
第2章，線(xiàn)性回歸，介紹線(xiàn)性回歸模型，一種解釋變量和模型參數(shù)與連續(xù)的響應(yīng)變量相關(guān)的模型。本章介紹成本函數(shù)的定義，通過(guò)最小二乘法求解模型參數(shù)獲得最優(yōu)模型。
第3章，特征提取與處理，介紹了常見(jiàn)的機(jī)器學(xué)習(xí)對(duì)象如文本，圖像與分類(lèi)變量的特征提取與處理方法。
第4章，從線(xiàn)性回歸到邏輯回歸，介紹廣義線(xiàn)性回歸模型如何解決分類(lèi)任務(wù)。將邏輯回歸模型與特征提取技術(shù)結(jié)合起來(lái)實(shí)現(xiàn)一個(gè)垃圾短信分類(lèi)器。
第5章，決策樹(shù)——非線(xiàn)性回歸與分類(lèi))，介紹了一種回歸和分類(lèi)的非線(xiàn)性模型——決策樹(shù)。用決策樹(shù)集成方法實(shí)現(xiàn)了一個(gè)網(wǎng)頁(yè)廣告圖片屏蔽器。
第6章，K-Means聚類(lèi)，介紹非監(jiān)督學(xué)習(xí)的K-Means聚類(lèi)算法，并與邏輯回歸組合起來(lái)實(shí)現(xiàn)一個(gè)照片分類(lèi)器。
第7章，用PCA降維，介紹另一種非監(jiān)督學(xué)習(xí)任務(wù)——降維。我們用主成分分析實(shí)現(xiàn)高維數(shù)據(jù)的可視化，建立一個(gè)臉部識(shí)別器。
第8章，感知器，介紹一種實(shí)時(shí)的，二元分類(lèi)器——感知器。后面兩章都是針對(duì)感知器的缺點(diǎn)發(fā)展起來(lái)的。
第9章，從感知器到支持向量機(jī) ，介紹支持向量機(jī)，是一種有效的非線(xiàn)性回歸與分類(lèi)模型。我們用支持向量機(jī)識(shí)別街景照片中的字母。
第10章，從感知器到人工神經(jīng)網(wǎng)絡(luò)，介紹了人工神經(jīng)網(wǎng)絡(luò)，是一種強(qiáng)大的有效的非線(xiàn)性回歸與分類(lèi)模型。我們用人工神經(jīng)網(wǎng)絡(luò)識(shí)別手寫(xiě)數(shù)字