本书从实用的角度出发，介绍了如何利用Python实现机器学习的各种算法，包括留出法和交叉验证法、性能度量、线性模型、决策树、神经网络、支持向量机、贝叶斯分类、集成学习、聚类、降维与度量学习等算法，以及如何利用上述知识综合解决鸢尾花数据集分析、疾病预测及分类、球赛预测、航班预测、天气预测、房价预测、泰坦尼克号生存预测等问题。每章均配有数据集、代码及习题，以指导读者进行深入学习。
本书既可作为高等学校、职业院校人工智能及智能科学与技术专业的教材，也可作为人工智能开发人员的技术参考书。

基础篇
第1章 Python实现留出法和交叉验证法
1.1 留出法
1.1.1 案例基本信息
1.1.2 案例设计方案
1.1.3 案例实现
1.2 交叉验证法
1.2.1 案例基本信息
1.2.2 案例设计方案
1.2.3 案例实现
第2章 Python实现性能度量
2.1 PR曲线
2.1.1 案例基本信息
2.1.2 案例设计方案
2.1.3 案例实现
2.2 ROC曲线
2.2.1 案例基本信息
2.2.2 案例设计方案
2.2.3 案例实现
2.3 非均等代价
2.3.1 案例基本信息
2.3.2 案例设计方案
2.3.3 案例实现
第3章 Python实现线性模型
3.1 线性回归模型
3.1.1 案例基本信息
3.1.2 案例设计方案
3.1.3 案例实现
3.2 对数回归模型
3.2.1 案例基本信息
3.2.2 案例设计方案
3.2.3 案例实现
3.3 逻辑回归模型
3.3.1 案例基本信息
3.3.2 案例设计方案
3.3.3 案例实现
3.4 LDA算法
3.4.1 案例基本信息
3.4.2 案例设计方案
3.4.3 案例实现
第4章 Python实现决策树
4.1 案例基本信息
4.2 案例设计方案
4.3 案例实现
第5章 Python实现神经网络
5.1 基于LSTM生成古诗
5.1.1 案例基本信息
5.1.2 案例设计方案
5.1.3 案例实现
5.2 基于HarDNet的遥感图像分割
5.2.1 案例基本信息
5.2.2 案例设计方案
5.2.3 案例实现
第6章 Python实现支持向量机算法
6.1 SVM算法
6.1.1 案例基本信息
6.1.2 案例设计方案
6.1.3 案例实现
6.2 软间隔SVM算法
6.2.1 案例基本信息
6.2.2 案例设计方案
6.2.3 案例实现
6.3 核SVM算法
6.3.1 案例基本信息
6.3.2 案例设计方案
6.3.3 案例实现
6.4 其他算法
6.4.1 案例基本信息
6.4.2 案例设计方案
6.4.3 案例实现
第7章 Python实现贝叶斯分类
7.1 案例基本信息
7.2 案例设计方案
7.3 案例实现
第8章 Python实现集成学习算法
8.1 AdaBoost集成学习算法
8.1.1 案例基本信息
8.1.2 案例设计方案
8.1.3 案例实现
8.2 Bagging集成学习算法
8.2.1 案例基本信息
8.2.2 案例设计方案
8.2.3 案例实现
8.3 对比分析两种集成学习算法
8.3.1 Boosting与Bagging算法主要的区别
8.3.2 Boosting与Bagging算法的工作机制
8.3.3 对比Boosting与Bagging算法
第9章 Python实现聚类
9.1 案例基本信息
9.2 案例设计方案
9.3 案例实现
第10章 Python实现降维与度量学习
10.1 案例基本信息トト
10.2 案例设计方案
10.3 案例实现
综合实践篇
第11章 鸢尾花数据集分析
11.1 案例基本信息
11.2 案例设计方案
11.3 案例实现
第12章 疾病预测及分类
12.1 心脏病分析及预测
12.1.1 案例基本信息
12.1.2 案例设计方案
12.1.3 案例实现
12.2 乳腺癌分析及预测
12.2.1 案例基本信息
12.2.2 案例设计方案
12.2.3 案例实现
12.3 血糖分析及预测
12.3.1 案例基本信息
12.3.2 案例设计方案
12.3.3 案例实现
第13章 球赛预测
13.1 基于回归模型的世界杯比赛预测
13.1.1 案例基本信息
13.1.2 案例设计方案
13.1.3 案例实现
13.2 基于回归模型的NBA篮球赛预测
13.2.1 案例基本信息
13.2.2 案例设计方案
13.2.3 案例实现
第14章 航班预测
14.1 案例基本信息
14.2 案例设计方案
14.3 案例实现
第15章 天气预测
15.1 案例基本信息
15.2 案例设计方案
15.3 案例实现
第16章 房价预测
16.1 案例基本信息
16.2 案例设计方案
16.3 案例实现
第17章 泰坦尼克号生存预测
17.1 案例基本信息
17.2 案例设计方案
17.3 案例实现
参考文献