使用scikit-learn探索各式機器學習模型，實作多種機器學習演算法

機器學習是近年的熱門話題，它將電腦科學與統計學結合在一起，打造智慧又有效率的模型。你可以使用機器學習提供的強大演算法和技術，來自動化任何分析模型，而scikit-learn正是一個優秀的Python機器學習函式庫，它可以實作多種機器學習演算法，是非常好用的工具。

本書詳細介紹一系列機器學習模型和scikit-learn的使用技巧。從機器學習的基礎理論講起，涵蓋了簡單線性迴歸、KNN演算法、特徵提取、多元線性迴歸、邏輯斯迴歸、單純貝氏、非線性分類、決策樹迴歸、隨機森林、感知器、支援向量機、類神經網路、K-MEANS演算法等重要話題。

本書亦詳細討論資料預處理、超參數最佳化和整體（ensemble）方法。你也將學會使用scikit-learn的API，從分類變數、文本和影像之中提取特徵，一步步建立改善模型效能的專業直覺。

適用讀者
本書適合機器學習領域的工程師，也適合想要了解scikit-learn的資料科學家。

在這本書中，你將學到：
・基本概念簡述，如「偏誤」和「變異數」
・建置能夠分類文件、識別影像及偵測廣告的系統
・使用「線性迴歸」和「KNN」預測連續變數的值
・使用「邏輯斯迴歸」和「支援向量機」對文件和影像進行分類
・使用「裝袋法」和「提升法」建立估計器整體
・使用K-MEANS集群發現資料中的隱藏結構
・在常見任務中評估機器學習系統的效能

【下載範例程式檔案】
本書的程式碼是由GitHub託管，可以在如下網址找到：
https://github.com/PacktPublishing/Mastering-Machine-Learning-with-scikit-learn-Second-Edition

作者簡介：

Gavin Hackeling是一名資料科學家和作家。他研究過各式各樣的機器學習問題，包括自動語音辨識、文件分類、物件辨識以及語義分割。他畢業於北卡羅來納大學和紐約大學。目前他和妻子與愛貓一起生活在布魯克林。