导语

  

内容提要

  

    由马修·柯克著的《Python机器学习实践(测试驱动的开发方法)》展示了如何在代码中集成和测试机器学习方面的算法。通过书中的图表和重点标记的代码示例，本书着重介绍了Python的NumPy、Pandas、Scikit-Learn和SciPy等数据科学相关类库的测试。

    MattheW Kirk是一名数据架构师、软件工程师，也是一位西雅图的企业家。多年来，他长期致力于以自己的激情和背景来构建更好的软件，终于取得了用数据来解决问题的能力。
    现在，他已经协助了很多大公司成功完成了各种数据项目，例如从推荐钻石的搜索引擎到营销自动化软件。他热衷于培训工程师团队启动他们的大型数据项目的方法。

前言
第1章  可能近似正确的软件
  正确地编写软件
  编写正确的软件
  本书计划
第2章  快速介绍机器学习
  什么是机器学习
  有监督学习
  无监督学习
  强化学习
  机器学习能完成什么
  本书中使用的数学符号
  结论
第3章  K近邻算法
  如何确定是否想购买一栋房子
  房子的价格究竟几何
  愉悦回归
  什么是邻域
  K近邻算法简介
  K先生近的邻居
  距离
  维度灾难
  如何选择K
  给西雅图的房子估价
  结论
第4章  朴素贝叶斯分类
  通过贝叶斯定理来发现欺诈订单
  条件概率
  概率符号
  反向条件概率（又名贝叶斯定理）
  朴素贝叶斯分类器
  贝叶斯推理之朴素
  伪计数
  垃圾邮件过滤器
  标记化和上下文
  结论
第5章  决策树和随机森林
  蘑菇的细微差别
  使用民间定理实现蘑菇分类
  找到佳切换点
  修剪树
  结论
第6章  隐马尔可夫模型
  使用状态机来跟踪用户行为
  输出／观测隐含状态
  使用马尔可夫假设化简
  隐马尔可夫模型
  评估：前向-后向算法
  通过维特比算法解码
  学习问题
  词性标注与布朗语库
  结论
第7章  支持向量机
  客户满意度作为语言的函数
  SVM背后的理论
  情绪分析器
  聚合情绪
  将情绪映射到底线
  结论
第8章  神经网络
  什么是神经网络
  神经网络史
  布尔逻辑
  感知器
  如何构建前馈神经网络
  构建神经网络
  使用神经网络来对语言分类
  结论
第9章  聚类
  无任何偏差的研究数据
  用户群组
  测试群集映射
  K均值聚类
  最大期望(EM)聚类
  不可能性定理
  案例：音乐归类
  结论
第10章  模型改进与数据提取
  辩论俱乐部
  选择更好的数据
  最小冗余最大相关性的特征选择
  特征变换与矩阵分解
  结论
第11章  将这些方法融合在一起：结论
  机器学习算法回顾
  如何使用这些信息来解决问题
  下一步做什么