Data Analysts already familiar with Python but not so much with scikit-learn, who want quick solutions to the common machine learning problems will find this book to be very useful. If you are a Python programmer who wants to take a dive into the world of machine learning in a practical manner, this book will help you too.

About This Book ============================== Learn how to handle a variety of tasks with Scikit-Learn with interesting recipes that show you how the library really works Use Scikit-Learn to simplify the programming side data so you can focus on thinking Discover how to apply algorithms in a variety of situations Who This Book Is For ============================== If you're a ...(展开全部)

If you are a programmer and want to explore machine learning and data-based methods to build intelligent applications and enhance your programming skills, this is the course for you. No previous experience with machine-learning algorithms is required.

近年来，Python语言成为了广受欢迎的编程语言，而它在机器学习领域也有很好的表现。scikit-learn是一个用Python语言编写的机器学习算法库，它可以实现一系列常用的机器学习算法，是一个好工具。 本书通过14章内容，详细地介绍了一系列机器学习模型和scikit-learn的使用技巧。本书从机器学习的基础理论讲起，涵盖了简单线性回归、K-近邻算法、特征提取、多元线性回归、逻辑回归、朴素贝叶斯、非线性分类、决策树回归、随机森林、感知机、支持向量机、人工神经网络、K-均值算法、主成分分析等重要话题。 本书适合机器学习领域的工程师学习，也适合想要了解scikit-learn的数据科学家阅读。通过阅读本书，读者将有效提升自己在机器学习模型的构建和评估方面的能力，并能够高效地解决机器学习难题。

Apply effective learning algorithms to real-world problems using scikit-learn

Experience the benefits of machine learning techniques by applying them to real-world problems using Python and the open source scikit-learn library.

本书深入介绍了机器学习领域的基本概念和方法，除介绍了Python机器学习库和用机器学习库搭建神经网络模型的方法外，还介绍了机器学习算法的数学理论、工作原理、使用方法、实现细节以及如何避免机器学习算法实现过程中的常见问题。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，以及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，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。本书讲解清晰，示例生动，理论和实践部分相对平衡，既可以作为机器学习领域初学者的入门教程，也可以作为读者开发机器学习项目时的参考书。

本书主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

本书深入介绍了机器学习领域的基本概念和方法，除介绍了Python机器学习库和用机器学习库搭建神经网络模型的方法外，还介绍了机器学习算法的数学理论、工作原理、使用方法、实现细节以及如何避免机器学习算法实现过程中的常见问题。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，以及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，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。本书讲解清晰，示例生动，理论和实践部分相对平衡，既可以作为机器学习领域初学者的入门教程，也可以作为读者开发机器学习项目时的参考书。