第1章 機械学習の枠組みを理解する―NumPyからパイプラインまで
［1］NumPyの基礎
［2］Irisデータセットを読み込む
［3］Irisデータセットを可視化する
［4］Irisデータセットをpandasで可視化する
［5］NumPyとmatplotlibを使ってプロットする
［6］最も小さな機械学習レシピ：SVM分類
［7］交差検証の紹介
［8］すべてを1つにまとめる
［9］機械学習のオーバービュー：分類と回帰

第2章 モデル構築前のワークフローと前処理―サンプルデータの作成から確率的勾配降下法まで
［10］簡単な分析を行うためのサンプルデータを作成する
［11］標準正規分布の尺度でデータをスケーリングする
……
［18］回帰に確率的勾配降下法を使用する

第3章 次元削減―PCAから性能テストまで
［19］PCAによる次元削減
［20］分解に因子分析を使用する
……
［25］次元削減法をパイプラインでテストする

第4章 線形モデル―線形回帰からLARSまで
［26］直線をデータに適合させる
［27］機械学習を使って直線をデータに適合させる
……
［32］LARSによる正則化へのより基本的なアプローチ

第5章 ロジスティック回帰―データの読み込みからパイプラインまで
［33］UCI Machine Learning Repositoryからデータを読み込む
［34］pandasを使ってPima Indians Diabetesデータセットを可視化する
……
［40］コンテキストなしでROC曲線をプロットする
［41］データセットの読み込みからROC曲線のプロットまでを1つにまとめる：UCI Breast Cancerデータセット

第6章 距離指標を使ったモデルの構築―k-means法からk近傍法まで
［42］k-means法を使ったデータのクラスタリング
［43］セントロイドの個数を最適化する
……
［49］k-means法を使って外れ値を検出する
［50］回帰にk近傍法（KNN）を使用する

第7章 交差検証とモデル構築後のワークフロー―モデルの選択から永続化まで
［51］交差検証を使ってモデルを選択する
［52］k分割交差検証
……
［63］L1ノルムによる特徴選択
［64］joblibまたはpickleを使ってモデルを永続化する

第8章 サポートベクトルマシン―線形SVMからサポートベクトル回帰まで
［65］線形SVMを使ってデータを分類する
……
［68］サポートベクトル回帰

第9章 決定木アルゴリズムとアンサンブル学習
［69］決定木を使って基本的な分類を行う
［70］pydotを使って決定木を可視化する
……
［77］アダブースト（AdaBoost）回帰器のチューニング
［78］scikit-learnでスタッキングアグリゲータを作成する

第10章 テキスト分類と多クラス分類
［79］分類に確率的勾配降下法を使用する
［80］ナイーブベイズを使って文書を分類する
［81］半教師あり学習によるラベル伝播法

第11章 ニューラルネットワーク
［82］パーセプトロン分類器
［83］ニューラルネットワーク：多層パーセプトロン
［84］ニューラルネットワークによるスタッキング

第12章 単純な推定器の作成
［85］単純な推定器を作成する