《sklearn庫完全使用手冊》我們將看到一些機器學(xué)習(xí)的模型和算法。我們會介紹一些常用的機器學(xué)習(xí)任務(wù)和模型的效果評估方法。而這些模型和算法都是通過十分流行的Python機器學(xué)習(xí)庫scikit-learn來完成，里面有許多機器學(xué)習(xí)的模型和算法，每個API都簡單易用。

第1章，機器學(xué)習(xí)基礎(chǔ)，將機器學(xué)習(xí)定義成一種通過學(xué)習(xí)經(jīng)驗改善工作效果的程序研究與設(shè)計過程。其他章節(jié)都以這個定義為基礎(chǔ)，后面每一章里介紹的機器學(xué)習(xí)模型都是按照這個思路解決任務(wù)，評估效果。
第2章，線性回歸，介紹線性回歸模型，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，介紹了常見的機器學(xué)習(xí)對象如文本，圖像與分類變量的特征提取與處理方法。
第4章，從線性回歸到邏輯回歸，介紹廣義線性回歸模型如何解決分類任務(wù)。將邏輯回歸模型與特征提取技術(shù)結(jié)合起來實現(xiàn)一個垃圾短信分類器。
第5章，決策樹——非線性回歸與分類)，介紹了一種回歸和分類的非線性模型——決策樹。用決策樹集成方法實現(xiàn)了一個網(wǎng)頁廣告圖片屏蔽器。
第6章，K-Means聚類，介紹非監(jiān)督學(xué)習(xí)的K-Means聚類算法，并與邏輯回歸組合起來實現(xiàn)一個照片分類器。
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現(xiàn)高維數(shù)據(jù)的可視化，建立一個臉部識別器。
第8章，感知器，介紹一種實時的，二元分類器——感知器。后面兩章都是針對感知器的缺點發(fā)展起來的。
第9章，從感知器到支持向量機 ，介紹支持向量機，是一種有效的非線性回歸與分類模型。我們用支持向量機識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)，是一種強大的有效的非線性回歸與分類模型。我們用人工神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字