塞巴斯蒂安·拉施卡
（Sebastian Raschka）
获密歇根州立大学博士学位，现在是威斯康星-麦迪逊大学统计学助理教授，从事机器学习和深度学习研究。他的研究方向是数据受限的小样本学习和构建预测有序目标值的深度神经网络。他还是一位开源贡献者，担任Grid.ai的首席AI教育家，热衷于传播机器学习和AI领域知识。

刘玉溪（海登）
[ Yuxi (Hayden) Liu ]
在谷歌公司担任机器学习软件工程师，曾担任机器学习科学家。他是一系列机器学习书籍的作者。他的第一本书Python Machine Learning By Example在2017年和2018年亚马逊同类产品中排名第一，已被翻译成多种语言。

瓦希德·米尔贾利利
（Vahid Mirjalili）
获密歇根州立大学机械工程和计算机科学双博士学位，是一名专注于计算机视觉和深度学习的科研工作者。

Aurelien Geron是机器学习方面的顾问。他曾就职于Google，在2013年到2016年领导过YouTube视频分类团队。他是Wifirst公司的创始人并于2002年至2012年担任该公司的首席技术官。2001年，他创办Ployconseil公司并任首席技术官。

《Python机器学习：基于PyTorch和Scikit-Learn 》
本书是一本在PyTorch环境下学习机器学习和深度学习的综合指南，可以作为初学者的入门教程，也可以作为读者开发机器学习项目时的参考书。
本书讲解清晰、示例生动，深入介绍了机器学习方法的基础知识，不仅提供了构建机器学习模型的说明，而且提供了构建机器学习模型和解决实际问题的基本准则。
本书添加了基于PyTorch的深度学习内容，介绍了新版Scikit-Learn。本书涵盖了多种用于文本和图像分类的机器学习与深度学习方法，介绍了用于生成新数据的生成对抗网络（GAN）和用于训练智能体的强化学习。最后，本书还介绍了深度学习的新动态，包括图神经网络和用于自然语言处理（NLP）的大型transformer。
无论是机器学习入门新手，还是计划跟踪机器学习进展的研发人员，都可以将本书作为使用Python进行机器学习的不二之选。

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版） 》
随着一系列的技术突破，深度学习推动了整个机器学习领域的发展。现在，即使是对这项技术几乎一无所知的程序员也可以使用简单有效的工具来实现“可以自动从数据中学习”的程序。这本畅销书的更新版通过具体的示例、非常少的理论和可用于生产环境的Python框架来帮助你直观地理解并掌握构建智能系统所需要的概念和工具。
你会学到一系列可以快速使用的技术。每章的练习可以帮助你应用所学的知识，你只需要有一些编程经验。所有代码都可以在GitHub上获得。它已更新为TensorFlow 2和Scikit-Learn的新版本。

《Python机器学习：基于PyTorch和Scikit-Learn 》
译者序

序

前言

作者简介

审校者简介



第1章　赋予计算机从数据中学习的能力1

　1.1　将数据转化为知识的智能系统1

　1.2　三种机器学习类型2

1.2.1　用于预测未来的监督学习2

1.2.2　解决交互问题的强化学习4

1.2.3　发现数据中隐藏规律的无监督学习 5

　1.3　基本术语与符号6

1.3.1　本书中使用的符号和约定6

1.3.2　机器学习术语8

　1.4　构建机器学习系统的路线图8

1.4.1　数据预处理——让数据可用8

1.4.2　训练和选择预测模型9

1.4.3　使用未见过的数据对模型进行评估10

　1.5　使用Python实现机器学习算法10

1.5.1　从Python Package Index中安装Python和其他软件包10

1.5.2　使用Anaconda Python

软件包管理器11

1.5.3　科学计算、数据科学和机器学习软件包12

　1.6　本章小结13

第2章　训练简单的机器学习分类算法14

　2.1　人工神经元——机器学习早期历史一瞥14

2.1.1　人工神经元的定义15

2.1.2　感知机学习规则16

　2.2　使用Python实现感知机学习算法19

2.2.1　面向对象的感知机API19



2.2.2　使用鸢尾花数据集训练感知机22

　2.3　自适应线性神经元与算法收敛27

2.3.1　使用梯度下降法最小化损失函数28

2.3.2　在Python中实现Adaline30

2.3.3　通过特征缩放改进梯度下降34

2.3.4　大规模机器学习与随机梯度下降36

　2.4　本章小结41



XIV

第3章　ScikitLearn机器学习分类算法之旅42

　3.1　分类算法的选择42

　3.2　学习ScikitLearn的第一步——训练感知机43

　3.3　用逻辑回归算法建模分类概率48

3.3.1　逻辑回归与条件概率48

3.3.2　用逻辑损失函数更新模型权重51

3.3.3　从Adaline的代码实现到逻辑回归的代码实现53

3.3.4　用ScikitLearn训练逻辑回归模型56

3.3.5　使用正则化避免模型过拟合59

　3.4　基于最大分类间隔的支持向量机62

3.4.1　理解最大分类间隔62

3.4.2　使用松弛变量解决非线性可分问题62

3.4.3　ScikitLearn中另外一种实现64

　3.5　使用核支持向量机求解非线性问题64

3.5.1　处理线性不可分数据的核方法64

3.5.2　使用核方法在高维空间中寻找分离超平面66

　3.6　决策树学习69

3.6.1　最大化信息增益70

3.6.2　构建决策树73

3.6.3　多棵决策树组成随机森林76

　3.7　基于惰性学习策略的k近邻算法78

　3.8　本章小结81

第4章　构建良好的训练数据集——数据预处理83

　4.1　处理缺失值83

4.1.1　识别表格数据中的缺失值83

4.1.2　删除含有缺失值的样本或特征85

4.1.3　填补缺失值85

4.1.4　ScikitLearn的估计器86

　4.2　处理类别数据87

4.2.1　用pandas实现类别数据编码88

4.2.2　映射有序特征88

4.2.3　类别标签编码89

4.2.4　标称特征的独热编码90

　4.3　将数据集划分为训练数据集和测试数据集93

　4.4　使特征具有相同的尺度95

　4.5　选择有意义的特征97

4.5.1　用L1和L2正则化对模型复杂度进行惩罚98

4.5.2　L2正则化的几何解释98

4.5.3　L1正则化与稀疏解99

4.5.4　序贯特征选择算法102

　4.6　用随机森林评估特征重要性107

　4.7　本章小结109

第5章　通过降维方法压缩数据110

　5.1　无监督降维的主成分分析方法110

5.1.1　主成分分析的主要步骤110

5.1.2　提取主成分的步骤112

5.1.3　总方差和被解释的方差114

5.1.4　特征变换115

5.1.5　用ScikitLearn实现主成分分析118

5.1.6　评估特征的贡献120

　5.2　监督数据压缩的线性判别分析方法122

5.2.1　主成分分析与线性判别分析122

5.2.2　线性判别分析基本原理123

5.2.3　计算散布矩阵124

5.2.4　为新特征子空间选择线性判别式126

5.2.5　将样本投影到新的特征空间128

5.2.6　用ScikitLearn实现线性判别分析128

　5.3　非线性降维和可视化130

5.3.1　非线性降维的