本书基于Python语言详细讲解机器学习算法及其应用，用于读者快速入门机器学习。本书配套示例源代码、PPT课件、教学视频、教学大纲、习题与答案、作者微信答疑。
本书内容包括机器学习概述、Python数据处理基础、Python常用机器学习库、线性回归及应用、分类算法及应用、数据降维及应用、聚类算法及应用、关联规则挖掘算法及应用、协同过滤算法及应用，最后通过3个综合实战项目（包括新闻内容分类实战、秦坦尼克号获救预测实战、中药数据分析项目实战），帮助读者对所学技能进行巩固和提升。本书主要章节都给出了对应的示例及其详细的分析步骤，方便读者从编程中掌握机器学习基础算法及应用。
本书适合机器学习初学者、大数据分析人员和机器学习算法开发工程师阅读；也适合作为高等院校或高职高专人工智能、计算机、软件工程、数据科学与大数据技术、智能科学与技术等专业机器学习课程的教材。

迟殿委，南昌大学计算机软件与理论专业硕士，系统架构设计师。有多年企业软件研发经验和丰富的JavaEE、大数据技术培训经验，熟练掌握JavaEE与大数据全栈技术框架，擅长JavaEE系统架构设计、大数据分析与挖掘。著有图书《Hadoop大数据分析技术》 《Hadoop+Spark大数据分析实战》《Spring Boot企业级开发实战（视频教学版）》《深入浅出Java编程》《Spring Boot+Spring Cloud微服务开发》。

第1章 机器学习概述
1.1 机器学习简介
1.1.1 什么是机器学习
1.1.2 机器学习三要素和核心
1.1.3 机器学习开发流程
1.1.4 机器学习模型评价指标
1.1.5 机器学习项目开发步骤
1.2 机器学习的发展史和分类
1.2.1 机器学习的发展史
1.2.2 机器学习分类
1.3 机器学习常用术语
1.4 本章小结
第2章 Python数据处理基础
2.1 Python开发环境搭建
2.1.1 安装Python解释器
2.1.2 Python运行方法
2.1.3 安装PyCharm
2.1.4 Python包管理工具
2.1.5 安装JupyterNotebook
2.2 Python基本数据类型
2.2.1 数值型
2.2.2 字符串(String)
2.2.3 列表(List)
2.2.4 元组(Tuple)
2.2.5 集合(Set)
2.2.6 字典(Dict)
2.3 Python文件的基本操作
2.3.1 文件读写基本操作
2.3.2 NumPy库存取文件
2.3.3 Pandas存取文件
2.4 本章小结
第3章 Python常用机器学习库
3.1 Python数值计算库NumPy
3.1.1 NumPy简介与安装
3.1.2 NumPy数组的基本操作
3.2 Python数据处理库Pandas
3.2.1 Pandas库简介与安装
3.2.2 数据读取与写入
3.2.3 数据清洗与转换
3.2.4 数据分析与可视化
3.3 Python数据可视化库Matplotlib
3.3.1 Matplotlib安装与基本使用
3.3.2 绘制折线图
3.3.3 绘制柱状图
3.3.4 绘制饼图
3.3.5 绘制子图
3.4 Python机器学习库scikit-learn
3.4.1 sklearmn简介与安装
3.4.2 sklearn通用学习模式
3.4.3 sklearn数据集
3.4.4 sklearn模型的属性和功能
3.4.5 sklearn数据预处理
3.4.6 交叉验证
3.4.7 保存模型
3.5 本章小结
第4章 线性回归及应用
4.1 线性回归算法理论
4.2 回归算法的评价指标
4.3 梯度下降算法
4.3.1 算法理解
4.3.2 SGD算法理论
4.4 过拟合
4.4.1 过拟合产生的原因
4.4.2 常见线性回归正则化方法
4.5 线性回归实战
4.5.1 波士顿房价预测
4.5.2 加入正则化项
4.6 本章小结
第5章 分类算法及应用
5.1 逻辑回归理论与应用
5.1.1 算法理论知识
5.1.2 逻辑回归算法实战
5.2 SVM理论及应用
5.2.1 算法理论知识
5.2.2 SVM算法实战
5.3 朴素贝叶斯分类及应用
5.3.1 算法理论
5.3.2 朴素贝叶斯实战应用
5.4 决策树分类及应用
5.4.1 算法理论
5.4.2 ID3算法基础
5.4.3 决策树算法实战
5.5 随机森林算法实战
5.6 本章小结
第6章 数据降维及应用
6.1 数据降维概述
6.2 PCA算法
6.2.1 PCA算法理论
6.2.2 PCA算法实战
6.3 SVD算法
6.3.1 SVD理论
6.3.2 SVD实战应用
6.4 本章小结
第7章 聚类算法及应用
7.1 聚类理论基础
7.2 K-Means聚类
7.2.1 K-Means算法理论
7.2.2 K-Means算法实战
7.3 高斯混合聚类
7.3.1 高斯聚类理论
7.3.2 高斯混合聚类应用
7.4 谱聚类
7.4.1 谱聚类理论基础
7.4.2 谱聚类应用实战
7.5 本章小结
第8章 关联规则挖掘算法及应用
8.1 关联规则挖掘算法理论
8.1.1 大数据关联规则挖掘常识
8.1.2 经典的Apriori算法
8.1.3 FP树算法
8.2 关联规则挖掘算法实战
8.2.1 FP树实战
8.2.2 Apriori算法实战
8.3 本章小结
第9章 协同过滤算法及应用
9.1 协同过滤算法理论
9.1.1 协同过滤概述
9.1.2 物品相似度计算
9.1.3 关于ALS算法中的最小二乘法
9.2 协同过滤算法电影推荐实战
9.3 本章小结
第10章 新闻内容分类实战
10.1 数据准备
10.2 分词与清洗工作
10.3 模型建立
10.4 分类任务
10.5 本章小结
第11章 泰坦尼克号获救预测实战
11.1 数据处理
11.2 建立模型
11.3 算法概率计算
11.4 集成算法，构建多棵分类树
11.5 特征提取
11.6 集成多种算法
11.7 本章小结
第12章 中药数据分析项目实战
12.1 项目背景及目标
12.2 数据处理与分析实战
12.2.1 数据读取
12.2.2 中药材数据集的数据处理与分析
12.2.3 提取药方成分
12.2.4 挖掘常用药物组合
12.3 本章小结