机器学习是人工智能的重要分支。本书立足实用且易于上手实践的原则，系统地介绍机器学习领域的经典算法，以及这些算法的Python实现和典型应用。本书分4部分：第1部分介绍监督学习，包括线性模型、决策树分类、贝叶斯分类器、集成学习和支持向量机；第2部分介绍无监督学习，包括关联规则、聚类分析和数据降维；第3部分介绍深度学习，包括神经网络、深度学习和生成对抗网络；第4部分介绍强化学习。本书所介绍的经典机器学习算法及其应用案例均给出了相关实验数据和Python代码实现，每章末尾还给出了习题和实验题，便于读者巩固知识和开展课内实验。
本书可作为高等学校信息类以及相关专业高年级本科生和研究生的教材，也可供对机器学习感兴趣的工程技术人员阅读参考。

第1章 绪论
1.1 什么是机器学习
1.1.1 机器学习的定义
1.1.2 机器学习的三要素
1.1.3 机器学习与数据挖掘
1.2 为什么要进行机器学习
1.3 机器学习的发展历程
1.4 机器学习算法
1.4.1 监督学习
1.4.2 无监督学习
1.4.3 半监督学习
1.4.4 强化学习
1.5 机器学习的应用
1.6 机器学习开发工具与框架
1.6.1 机器学习常用开发工具
1.6.2 机器学习常用框架
1.7 机器学习数据集
习题
第1部分 监督学习
第2章 线性模型
2.1 基本形式
2.2 线性回归
2.3 线性分类
2.4 多分类策略
习题
本章实验
第3章 决策树分类
3.1 基本概念
3.1.1 什么是分类
3.1.2 分类过程
3.1.3 分类器常见的构造方法
3.1.4 决策树分类
3.2 CART算法
3.2.1 CART算法介绍
3.2.2 CART算法原理
3.2.3 CART算法实例
3.2.4 CART算法Python实现
3.2.5 CART算法的优缺点
3.3 ID3算法
3.3.1 ID3算法介绍
3.3.2 ID3算法原理
3.3.3 ID3算法实例
3.3.4 ID3算法Python实现
3.3.5 ID3的优缺点
3.4 C4.5算法
3.4.1 C4.5算法介绍
3.4.2 C4.5算法原理
3.4.3 C4.5算法实例
3.4.4 C4.5算法Python实现
3.4.5 C4.5算法的优缺点
3.5 3种算法的比较
3.6 分类算法评价
3.6.1 常用术语
3.6.2 评价指标
3.6.3 分类器性能的表示
3.6.4 分类器性能的评估方法
习题
本章实验
第4章 贝叶斯分类器
4.1 贝叶斯理论
4.1.1 条件概率和乘法定理
4.1.2 全概率公式和贝叶斯定理
4.1.3 极大后验假设和极大似然假设
4.2 朴素贝叶斯分类算法
4.2.1 NBC算法原理
4.2.2 朴素贝叶斯分类器的特点
4.3 朴素贝叶斯分类器在破产预测中的应用
4.3.1 实验环境及数据集
4.3.2 数据处理
……
第2部分 无监督学习
第3部分 深度学习
第4部分 强化学习