机器学习是计算机人工智能的重要研究领域和应用方向，本书是学习和实践机器学习的入门教材，基于Python语言，介绍如何使用机器学习的相关算法对数据进行分析。本书在内容上涵盖机器学习相关基础知识，在组织编排上循序渐进。全书共11章，分为3个部分：第一部分（第1～3章）为机器学习基础知识，包括数值计算基础、数据分析、数据可视化；第二部分（第4～9章）为机器学习算法，包括线性模型、朴素贝叶斯、支持向量机、决策树、聚类分析和集成学习；第三部分（第10～11章）为实践项目，包括房价预测和手写数字识别。

第1章 数值计算基础
1.1 Python基础
1.1.1 列表与元组
1.1.2 切片
1.1.3 列表推导
1.1.4 生成器表达式
1.2 NumPy数组
1.2.1 创建NumPy数组
1.2.2 数组的属性
1.2.3 reshape
1.2.4 Python列表与NumPy数组
1.2.5 创建特定数组
1.2.6 创建单调数组
1.2.7 生成随机数
1.3 NumPy索引
1.3.1 切片索引
1.3.2 布尔索引
1.3.3 更复杂的布尔索引
1.3.4 整数数组索引
1.3.5 索引赋值
1.4 多维索引
1.4.1 定位单个元素
1.4.2 多维切片
1.4.3 newaxis
1.4.4 Ellipsis
1.4.5 整数数组索引
1.5 广播
1.5.1 一个实例
1.5.2 广播的条件
1.5.3 如何广播
1.5.4 几个操作实例
1.5.5 原地修改
1.6 图像处理
1.6.1 导入
1.6.2 翻转
1.6.3 截取下半部分
1.6.4 缩小
1.6.5 纵向拉伸
1.6.6 遮罩
1.6.7 添加两条对角线
第2章 数据分析
2.1 Series
2.1.1 简单的Series
2.1.2 指定索引
2.1.3 索引的使用
2.1.4 将Python字典转换为Series
2.1.5 自定义索引
2.1.6 判断NA值
2.1.7 索引自动对齐
2.2 DataFrame
2.2.1 构建DataFrame
2.2.2 获取指定列
2.2.3 获取指定行
2.2.4 对列赋值
2.2.5 索引对齐
2.2.6 删除列
2.2.7 内部的ndarray
2.3 数据的选择
2.3.1 数据开放平台
2.3.2 导入数据
2.3.3 选择列
2.3.4 选择行
2.3.5 选择指定区域
2.3.6 布尔型数组
2.3.7 多个条件的选择
2.3.8 loc与iloc
2.4 概要与映射
2.4.1 查看数据头部
2.4.2 查看所有的列名
2.4.3 查看数据概要
2.4.4 计算数值的频率
2.4.5 与平均值的差
2.4.6 map的用法
2.4.7 apply的用法
2.4.8 map与apply的区别
2.5 分组与排序
2.5.1 导入数据
2.5.2 分组统计
2.5.3 分组最小值
2.5.4 用lambda函数做分组统计
2.5.5 更复杂的分组
2.5.6 同时使用多个聚合函数
2.5.7 分组后的排序
2.5.8 区分不同的apply函数
2.5.9 带“max”的函数
2.6 空值
2.6.1 FIFA数据集
2.6.2 查看空值的数量
2.6.3 计算空值的百分比
2.6.4 清除空值
2.6.6 清除带有空值的列
2.6.6 填充空值
2.6.7 用平均值来填充空值
2.6.8 返回值
2.7 不一致数据的处理
2.7.1 TheFuzz库
2.7.2 数据集
2.7.3 unique
2.7.4 清除大写与空格
2.7.5 模糊匹配
2.7.6 字段替换
第3章 数据可视化
3.1 Matplotlib基本概念
3.1.1 导入与设置
3.1.2 剖析图形
3.1.3 两种风格
3.2 作图基础
3.2.1 绘制直线
3.2.2 绘制折线
3.2.3 格式字符串
3.2.4 绘制散点图
3.2.5 绘制类别数据
3.2.6 绘制文本
3.2.7 绘制注解
3.3 MACD指标分析
3.3.1 加载贵州茅台股价数据
3.3.2 收盘价趋势图
3.3.3 计算MACD和signal序列
3.3.4 绘制MACD指标图
3.3.5 金叉与死叉
3.3.6 计算收益
3.4 沪深300收益计算
3.4.1 加载历史数据
3.4.2 绘制趋势图
3.4.3 计算收益率
3.4.4 计算年化收益率
3.4.5 计算年化波动率
3.4.6 计算最大回撤率
3.4.7 计算卡玛比率
3.5 日历策略
3.5.1 指标计算函数
3.5.2 只在每月前5日交易的策略
3.5.3 准备数据
3.5.4 标记出每月前5日
3.5.5 计算收益率
3.5.6 绘制两条收益曲线
3.5.7 比较收益指标
3.5.8 每月后5日的策略
第4章 线性模型
4.1 机器学习
4.1.1 传统软件与机器学习
4.1.2 特征与标签
4.1.3 机器学习算法的分类
4.1.4 CRISP-DM
4.2 线性回归
4.2.1 模型公式
4.2.2 scikit-learn
4.2.3 线性回归的用法
4.2.4 线性回归的参数
4.2.5 残差
4.2.6 均方误差与平均绝对误差
4.2.7 Bootstrap统计方法
4.3 岭回归
4.3.1 bootstrap函数
4.3.2 系数分布
4.3.3 alpha参数
4.3.4 最佳alpha参数
4.4 LASSO回归
4.4.1 基本用法
4.4.2 非零的系数
4.4.3 最佳alpha参数
4.4.4 特征选择
4.5 逻辑回归
4.5.1 iris数据集
4.5.2 训练集与测试集
4.5.3 LogisticRegression类
4.5.4 混淆矩阵
4.5.5 预测的概率
第5章 朴素贝叶斯
5.1 贝叶斯原理
5.1.1 患癌的概率
5.1.2 贝叶斯公式
5.1.3