《Python机器学习项目实战》引领大家在构建实际项目的过程中，掌握关键的机器学习概念！使用机器学习，我们可完成客户行为分析、价格趋势预测、风险评估等任务。要想掌握机器学习，需要有优质的范例、清晰的讲解和大量的练习。本书完全满足这三点！ 本书展示了现实、实用的机器学习场景，并全面、清晰地介绍了机器学习的关键概念。在学习本书的过程中，读者将会完成一些引人入胜的项目，比如使用线性回归预测汽车价格，部署客户流失预测服务等。读者将超越算法，学习在无服务器系统上部署机器学习应用，以及使用Kubernetes和Kubeflow服务模型等重要技术。大家埋头苦学，亲自动手，享受掌握机器学习技能的乐趣！

第1章 机器学习简介
1.1 机器学习
1.1.1 机器学习与基于规则的方法
1.1.2 当机器学习不起作用时
1.1.3 监督机器学习
1.2 机器学习过程
1.2.1 问题理解
1.2.2 数据理解
1.2.3 数据准备
1.2.4 建模
1.2.5 评估
1.2.6 部署
1.2.7 迭代
1.3 建模和模型验证
1.4 本章小结
第2章 用于回归的机器学习
2.1 汽车价格预测项目
2.2 探索性数据分析
2.2.1 探索性数据分析工具箱
2.2.2 读取和准备数据
2.2.3 目标变量分析
2.2.4 检查缺失值
2.2.5 验证框架
2.3 机器学习之回归
2.3.1 线性回归
2.3.2 训练线性回归模型
2.4 预测价格
2.4.1 基本解决方案
2.4.2 RMSE：评估模型质量
2.4.3 验证模型
2.4.4 简单的特征工程
2.4.5 处理分类变量
2.4.6 正则化
2.4.7 使用模型
2.5 后续步骤
2.5.1 练习
2.5.2 其他项目
2.6 本章小结
2.7 习题答案
第3章 用于分类的机器学习
3.1 客户流失预测项目
3.1.1 电信客户流失数据集
3.1.2 初始数据准备
3.1.3 探索性数据分析
3.1.4 特征重要性
3.2 特征工程
3.3 机器学习之分类
3.3.1 逻辑回归
3.3.2 训练逻辑回归
3.3.3 模型解释
3.3.4 使用模型
3.4 后续步骤
3.4.1 练习
3.4.2 其他项目
3.5 本章小结
3.6 习题答案
第4章 分类的评估指标
4.1 评估指标
4.1.1 分类准确度
4.1.2 虚拟基线
4.2 混淆矩阵
4.2.1 混淆矩阵介绍
4.2.2 用NumPy计算混淆矩阵
4.2.3 查准率和查全率
4.3 ROC曲线和AUC分数
4.3.1 真正例率和假正例率
4.3.2 在多个阀值下评估模型
4.3.3 随机基线模型
4.3.4 理想模型
4.3.5 ROC曲线
4.3.6 AUC
4.4 参数调优
4.4.1 K折交叉验证
4.4.2 寻找最佳参数
4.5 后续步骤
4.5.1 练习
4.5.2 其他项目
4.6 本章小结
4.7 习题答案
第5章 部署机器学习模型
5.1 客户流失预测模型
5.1.1 使用模型
5.1.2 使用Pickle保存和加载模型
5.2 模型服务化
5.2.1 Web服务
5.2.2 Flask
5.2.3 使用Flask将流失模型服务化
5.3 管理依赖项
5.3.1 Pipenv
5.3.2 Docker
5.4 部署
5.5 后续步骤
5.5.1 练习
5.5.2 其他项目
5.6 本章小结
第6章 决策树与集成学习
6.1 信用风险评分项目
6.1.1 信用评分数据集
6.1.2 数据清理
6.1.3 准备数据集
6.2 决策树
6.2.1 决策树分类器
6.2.2 决策树学习算法
6.23 决策树的参数调优
6.3 随机森林
6.3.1 训练随机森林
6.3.2 随机森林的参数调优
6.4 梯度提升
6.4.1 XGBoost：极限梯度提升
6.4.2 模型性能监控
6.4.3 XGBoost的参数调优
6.4.4 测试最终模型
6.5 后续步骤
6.5.1 练习
6.5.2 其他项目
6.6 本章小结
6.7 习题答案
第7章 神经网络与深度学习
7.1 服装分类
7.1.1 GPU与CPU
7.1.2 下载服装数据集
7.1.3 TensorFlow和Keras
7.1.4 加载图像
7.2 卷积神经网络
7.2.1 使用预训练模型
7.2.2 获得预测
7.3 模型的内部结构
7.3.1 卷积层
7.3.2 致密层
7.4 训练模型
7.4.1 迁移学习
7.4.2 加载数据
7.4.3 创建模型
7.4.4 训练模型
7.4.5 调整学习速率
7.4.6 保存模型和设置检查点
7.4.7 添加更多的层
7.4.8 正则化和dropout
7.4.9 数据增强
7.4.10 训练更大的模型
7.5 使用模型
7.5.1 加载模型
7.5.2 评估模型
7.5.3 获得预测
7.6 后续步骤
7.6.1 练习
7.6.2 其他项目
7.7 本章小结
7.8 习题答案
第8章 无服务器深度学习
8.1 AWS Lambda
8.1.1 TensorFlow Lite
8.1.2 将模型转换为TF Lite格式
8.1.3 准备图像
8.1.4 使用TensorFlow Lite模型
8.1.5 lambda函数的代码
8.1.6 准备Docker镜像
8.1.7 将镜像推送到AWS ECR
8.1.8 创建lambda函数
8.1.9 创建API Gateway
8.2 后续步骤
8.2.1 练习
8.2.2 其他项目
8.3 本章小结
第9章 使用Kubernetes和Kubeflow将模型服务化
9.1 Kubernetes和Kubeflow
9.2 使用TensorFlow Serving来服务模型
9.2.1 服务架构概述
9.2.2 saved model格式
9.2.3 本地运行TensorFlow Serving
9.2.4 从Jupyter调用TF Serving模型
9.2.5 创建Gateway服务
9.3 使用Kubemnetes部署