本书以通俗易懂的风格介绍了机器学习和深度学习技术，只涉及了基本的数学知识。本书由两位机器学习和深度学习领域的专家编写，书中的案例涵盖了银行、保险、电子商务、零售和医疗等多个行业。本书讲述如何在当今的智能设备和应用程序中使用机器学习和深度学习技术。本书提供了对书中涉及的数据集、代码和示例项目的下载。

文卡塔·雷迪·科纳萨尼（Venkata Reddy Konasani）是一位数据科学家和专业的培训师，他擅长构建信用风险模型和市场反应模型，并在社交媒体分析、机器学习以及深度学习技术方面有丰富的经验。他毕业于孟买印度理工学院应用统计和信息学专业，获得硕士学位。

第1章 机器学习与深度学习概述
1.1 人工智能与机器学习的历史
1.2 机器学习项目的基础
1.3 机器学习算法与传统计算机程序
1.4 深度学习的工作原理
1.5 机器学习与深度学习的应用
1.5.1 日常生活中的应用
1.5.2 机器学习在制造业中的应用
1.5.3 机器人技术的应用
1.5.4 银行与金融领域的应用
1.5.5 深度学习的应用
1.6 本书的组织结构
1.7 预备知识——数学基础
1.8 术语
1.9 机器学习——扩展视野
1.9.1 人工智能发展现状
1.9.2 人工智能未来的影响力
1.9.3 与人工智能相关的伦理、社会和法律问题
1.10 Python及其作为机器学习语言的潜力
1.11 关于TensorFlow
1.12 本章小结
第2章 Python编程与统计学基础
2.1 认识Python
2.1.1 为什么使用Python
2.1.2 Python的版本
2.1.3 Python IDE
2.1.4 安装Python
2.2 Python编程入门
2.2.1 使用Spyder IDE
2.2.2 第一个代码示例
2.2.3 错误和错误信息
2.2.4 命名约定
2.2.5 使用print输出消息
2.3 Python中的数据类型
2.3.1 数值
2.3.2 字符串
2.3.3 列表
2.3.4 字典
2.4 Python中的包
2.4.1 NumPy
2.4.2 Pandas
2.4.3 Matplotlib
2.4.4 Scikitl.eam
2.4.5 nitk
2.4.6 TensorFlow
2.5 Python中的条件语句和循环语句
2.6 数据处理与使用Pandas深入分析数据
2.6.1 数据导入和数据集的基本信息
2.6.2 子集和数据筛选器
2.6.3 Pandas中实用的函数
2.7 基本的描述性统计
2.7.1 平均值
2.7.2 中位数
2.7.3 方差和标准差
2.8 数据探索
2.8.1 探索数值型连续变量
2.8.2 探索离散变量和分类变量
……
第3章 回归与逻辑回归
第4章 决策树
第5章 模型选择和交叉验证
第6章 聚类分析
第7章 随机森林和Boosting
第8章 人工神经网络
第9章 TensorFlow和Keras
第10章 深度学习中的超参数
第11章 卷积神经网络
第12章 RNN与LSTM
第13章 参考文献（在线资源）