Python机器学习实践：测试驱动的开发方法

目录
前言
第1章
可能近似正确的软件
正确地编写软件
编写正确的软件
本书计划
第2章快速介绍机器学习
什么是机器学习
有监督学习
无监督学习
强化学习
机器学习能完成什么
本书中使用的数学符号
结论
第3章K最近邻算法
如何确定是否想购买一栋房子
房子的价格究竟几何
愉悦回归
什么是邻域
K最近邻算法简介
K先生最近的邻居
距离
维度灾难
如何选择K
给西雅图的房子估价
结论
第4章朴素贝叶斯分类
通过贝叶斯定理来发现欺诈订单
条件概率
概率符号
反向条件概率（又名贝叶斯定理）
朴素贝叶斯分类器
贝叶斯推理之朴素
伪计数
垃圾邮件过滤器
标记化和上下文
结论
第5章决策树和随机森林
蘑菇的细微差别
使用民间定理实现蘑菇分类
找到最佳切换点
修剪树
结论
第6章隐马尔可夫模型
使用状态机来跟踪用户行为
输出／观测隐含状态
使用马尔可夫假设化简
隐马尔可夫模型
评估：前向．后向算法
第7章支持向量机
第8章神经网络
第9章聚类
第10章模型改进与数据提取
第11章将这些方法融合在一起：结论