《Python机器学习及实践》的目录简要理解+机器学习思维导图

本身对人工智能机器学习比较感兴趣，刚好又被推送了一本适合小白快速上手的书籍《Python机器学习及实践》，感觉比较适合自己，于是乎就学习了一下，并将其中的案例代码手敲了一遍，感兴趣的小伙伴可以看一下我的Github哈。
因为很多笔记在书上，不好搬上来，所以偷懒的对着目录进行了理解总结，方便自己回顾和小伙伴的审核。并且用Mindmanager粗略画出了机器学习的思维导图。

---

机器学习思维导图

---

《Python机器学习及实践》的目录

这个目录真的是网上直接复制过来的……
第1章简介篇1
1.1机器学习综述1
1.1.1任务3
1.1.2经验5
1.1.3性能5
1.2Python编程库8
1.2.1为什么使用Python8
1.2.2Python机器学习的优势9
1.2.3NumPy & SciPy10 （Pyhton的两个库，含有数学中的大量计算，例如矩阵计算，微积分等）
1.2.4Matplotlib11 （Python的一个库，画图用的）
1.2.5Scikitlearn11 sklearn （Python的一个库，含有多种机器学习算法模块）
1.2.6Pandas11 （Python的一个库，包含了一个DataFrame类型，用来存储列表表格，并进行处理）
1.2.7Anaconda12 （编写Python的软件，集成了很多库，例如上面提到的，不用自己一个一个下载安装了）
1.3Python环境配置12
1.3.1Windows系统环境12
1.3.2Mac OS 系统环境17
1.4Python编程基础18
1.4.1Python基本语法19 廖雪峰 和 菜鸟教程 （都是Python3编程语言快速上手的好网站）
1.4.2Python 数据类型20
1.4.3Python 数据运算22
1.4.4Python 流程控制26
1.4.5Python 函数（模块）设计28
1.4.6Python 编程库（包）的导入29
1.4.7Python 基础综合实践30
1.5章末小结
第2章基础篇34
2.1监督学习经典模型34
2.1.1分类学习35 （分类其实就是预测）
2.1.2回归预测64 （回归更偏向于“数值”和它的“连续性”）
2.2无监督学习经典模型81
2.2.1数据聚类81 （物以群分）
2.2.2特征降维91 （一个重要的作用就是 减少待处理数据中无关紧要的内容）文章！！！
2.3章末小结97
第3章进阶篇98
3.1模型实用技巧98
3.1.1特征提升99 （包含：1、特征抽取：原始数据--->特征向量（非数字类型的数字化，数字化的范围化）；2、特征筛选：选择更有效的特征组合）
3.1.2模型正则化111 （用于解决过拟合）
3.1.3模型检验121 （包含：1、留一验证：例如70%用于训练，30%用于模型验证；2、交叉验证：多次留一验证，因为30%用于验证的那些数据的需求也是有讲究的，类似于多次试验选取最好的方案）
3.1.4超参数搜索122 （超参数是在开始学习过程之前设置值的参数，是需要不断测试验证的，所以说机器学习就是 调参而已）
3.2流行库/模型实践129
3.2.1自然语言处理包（NLTK）131 （针对不同的需要处理的数据类型，有对应的库去运行）
3.2.2词向量（Word2Vec）技术133
3.2.3XGBoost模型138
3.2.4Tensorflow框架140
3.3章末小结152
第4章实战篇153
4.1Kaggle平台简介153
4.2Titanic罹难乘客预测157
4.3IMDB影评得分估计165
4.4MNIST手写体数字图片识别174
4.5章末小结180
●后记181
●参考文献182

编辑书写有些粗糙，请谅解。如有错误，请批评指正，欢迎大家互相交流哈。