机器学习与预测分析早已变更企业和其他组织的运作方式 ，Python机器学习(原书第2版)名将着客户进入预测分析的全世界。本书共18章，除了简单详解机器学习及Python在机器学习中的应用，还操作系统描述了数据标准化、数据预处理、实体模型提高、柔性生产培训学习、重回、聚类分析法、神经元网络、神经网络算法等内容。
这书将机器学习背后的基本基础知识与应用社会实践活动联系出來，依据这种方式 让客户焦点于如何适当地探讨问题、排忧解难。这书讲解了如何使用Python的重要元素以及强悍的机器学习库，一块儿还呈现了如何适当运用一个一个数据分析实体模型。
这书可做为培训学习电子信息科学的初学者及想推进拓展电子信息科学制造行业掌握的客户的教材内容。相同，这书也适合计算机硬件等相关专业的大学毕业、研究生文章阅读。
目录
- 第1章 赋予计算机从数据中学习的能力
- 第2章 训练简单的机器学习分类算法
- 第3章 scikit-learn机器学习分类器一览
- 第4章 构建良好的训练集——预处理
- 第5章 通过降维压缩数据
- 第6章 模型评估和超参数调优的最佳实践
- 第7章 综合不同模型的组合学习
- 第8章 应用机器学习于情感分析
- 第9章 将机器学习模型嵌入网络应用
- 第10章 用回归分析预测连续目标变量
- 第11章 用聚类分析处理无标签数据
- 第12章 从零开始实现多层人工神经网络
- 第13章 用TensorFlow并行训练神经网络
- 第14章 深入探讨TensorFlow的工作原理
- 第15章 深度卷积神经网络图像识别
- 第16章 用递归神经网络为序列数据建模
但是是有前提的：
1. 基础的线性代数知识需要大家温故知新一下；
2. 对于python中的numpy和pandas的一些基本操作需要熟悉；
3. 抽象能力，最好能把代数方程在大脑里映射出一个几何图形（最多三维）；
只要有了以上的前提，读这本书还是挺靠谱的。
充其量不过是几个常用python ML包（scikit NumPy SciPy matplotlib pandas）的 cookbook 罢了。
基本上每节的流程就是先告诉你一个ML概念大概是怎么回事，真的很大概，不过好处是至少会告诉你为什么要这么做。然后用一段示例代码告诉你这个东西在Python ML包里要调用哪几个接口。但用到的关键接口基本不讲解，也不会介绍其他相关接口，所以如果需要其他扩展应用，你还需要翻相应文档。
首遍完，step by step 学习Scikit-learn，分类、回归、数据预处理、数据降维、模型选择、集成学习与情感分析的例子。