全书共10章，第1章介绍了机器学习算法的基本概念、分类及本书开发环境的搭建。第2章介绍了机器学习算法中经常用到的NumPy相关知识及绘图工具包Matplotlib。从第3章开始介绍机器学习算法，第3章介绍了最简单也是最常用的线性回归算法。第4章介绍了搜索算法，包括梯度下降算法、随机梯度下降算法、小批量梯度下降算法、牛顿迭代算法及坐标下降算法。第5章介绍了二分类的Logistic回归算法和多元回归算法SoftMax，以及评价分类结果优劣的各种指标。第6章介绍了支持向量机算法及支持向量机的核函数方法。第7章介绍了朴素贝叶斯算法。第8章介绍了决策树优化算法及由多棵决策树构成的随机森林算法等集成学习算法。第9章介绍了聚类算法，包括K均值算法、合并聚类算法、DBSCAN算法等。第10章介绍了降维算法，主要包括主成分分析法和主成分分析的核方法。每章都包含大量的实战案例，既有自行实现的算法，也有直接调用Sklearn工具库实现的算法。
本书配备思考与练习，全书所有的示例程序都提供完整的源代码，读者可登录华信教育资源网或GitHub网站免费下载。
本书适合作为人工智能、大数据等专业的学生教材，对于人工智能相关培训机构、人工智能爱好者，也有一定的参考价值。

第1章 机器学习算法概述
1.1 机器学习
1.2 机器学习分类
1.2.1 监督学习
1.2.2 无监督学习
1.2.3 强化学习
1.3 机器学习中的基本概念
1.4 机器学习环境搭建
1.4.1 Python安装
1.4.2 PyCharm及相关包的下载安装
1.4.3 JupyterLab
1.5 本章小结
思考与练习
第2章 NumPy和Matplotlib入门
2.1 NumPy数组基础
2.1.1 创建NumPy数组
2.1.2 NumPy数组的索引与切片
2.1.3 NumPy数组的变形
2.1.4 NumPy合并与分割
2.1.5 NumPy的通用函数
2.1.6 NumPy数组的聚合运算
2.1.7 NumPy数组的广播
2.1.8 NumPy数组比较、掩码和布尔逻辑
2.1.9 NumPy花哨的索引
2.1.10 NumPy的矩阵运算
2.2 Matplotlib数据可视化
2.2.1 线形图
2.2.2 散点图
2.2.3 直方图和柱状图
2.2.4 等高线图
2.2.5 多子图
2.2.6 三维图像
2.3 本章小结
思考与练习
第3章 线性回归算法
3.1 简单线性回归
3.2 正规方程算法（最小二乘法）
3.3 多项式回归
3.4 线性回归的正则化算法
3.5 Sklearn的线性回归
3.6 本章小结
思考与练习
第4章 机器学习中的搜索算法
4.1 梯度下降算法
4.1.1 梯度下降算法概述
4.1.2 模拟实现梯度下降算法
4.1.3 线性回归中的梯度下降算法
4.2 随机梯度下降算法
4.2.1 回归问题中的随机梯度下降算法
4.2.2 梯度下降算法与随机梯度下降算法的效果对比
4.3 小批量梯度下降算法
4.4 牛顿迭代算法
4.4.1 模拟实现牛顿迭代算法
4.4.2 线性回归问题中的牛顿迭代算法
4.5 坐标下降算法
4.6 Sklearn的随机梯度下降算法
4.7 本章小结
思考与练习
第5章 Logistic回归算法
5.1 Logistic回归的基本概念
5.1.1 Sigmoid()函数
5.1.2 Logistic模型
5.2 Logistic回归算法的应用
5.3 评价分类结果
5.3.1 准确率（Accuracy）
5.3.2 精确率(Precision)和召回率(Recall)
5.3.3 ROC曲线和AUC度量
5.4 多元回归算法SoftMax
5.4.1 SoftMax回归基本概念
5.4.2 SoftMax回归优化算法
5.5 Sklearn的Logistic回归算法
5.6 本章小结
思考与练习
第6章 支持向量机算法
6.1 支持向量机的基本概念
6.1.1 感知机
6.1.2 支持向量机
6.1.3 支持向量机的对偶
6.2 支持向量机优化算法
6.3 核方法
6.4 软间隔支持向量机
6.4.1 软间隔支持向量机的概念
6.4.2 Hinge损失函数与软间隔支持向量机
6.5 Sklearn的SVM库
6.5.1 Sklearn SVM算法库使用概述
6.5.2 SVM核函数概述
6.5.3 SVM分类算法的使用
6.5.4 SVM算法的调参要点
6.6 本章小结
思考与练习
第7章 朴素贝叶斯算法
7.1 朴素贝叶斯
7.1.1 数学基础
7.1.2 朴素贝叶斯的种类
7.2 朴素贝叶斯算法分类
7.2.1 基于极大似然估计的朴素贝叶斯算法
7.2.2 基于贝叶斯估计的朴素贝叶斯算法
7.3 Sklearn的朴素贝叶斯算法
7.3.1 Sklearn的高斯朴素贝叶斯实现
7.3.2 Sklearn的多项式朴素贝叶斯实现
7.3.3 Sklearn的伯努利朴素贝叶斯实现
7.4 本章小结
思考与练习
第8章 决策树算法
8.1 决策树的基本概念
8.2 决策树优化算法
8.2.1 决策树回归问题的CART算法
8.2.2 决策树分类问题的CART算法
8.3 CART算法的实现
8.3.1 决策树CART算法实现
8.3.2 决策树回归算法实现
8.3.3 决策树分类算法实现
8.4 Sklearn的决策树
8.5 集成学习算法
8.5.1 装袋评估算法
8.5.2 随机森林算法
8.5.3 AdaBoost提升
8.5.4 梯度提升决策树
8.6 本章小结
思考与练习
第9章 聚类算法
9.1 K均值算法
9.2 合并聚类算法
9.3 DBSCAN算法
9.4 Sklearn的聚类算法
9.4.1 K均值算法（Kmeans）
9.4.2 近邻传播算法（Affinity Propagation）
9.4.3 均值漂移算法（Mean-shift）
9.4.4 合并聚类算法（Agglomerative Clustering）
9.4.5 带噪声的基于密度的空间聚类算法（DBSCAN）
9.5 本章小结
思考与练习
第10章 降维算法
10.1 主成分分析法
10.1.1 算法思想
10.1.2 主成分分析法的实现
10.2 主成分分析的核方法
10.3 Sklearn的主成分分析法
10.3.1 Sklearn的PCA算法
10.3.2 Sklearn的带核PCA算法
10.4 本章小结
思考与练习