本书主要内容分为三部分，逐步引导学生由浅入深、由简到难地学习。第一部分是环境基础教学，包括第1、2章，分别是实验环境搭建和Python编程语言基础；第二部分是机器学习，包括第3～11章，详细介绍了机器学习的核心算法原理及相关实战案例，如利用隐形眼镜数据集构建随机森林模型来预测适合客户的隐形眼镜类型、基于朴素贝叶斯分类算法实现年收入预测、采用支持向量机算法预测泰坦尼克号人员存活率；第三部分是深度学习，包括第12～16章，重点介绍深度学习基础知识和不同经典网络原理及相关实战案例，如利用卷积神经网络模型实现手写数字识别、采用VGG16模型实现天气识别，以人工智能的示范应用来启发学生进一步进行深化研究。本书提供课程资源包，包括案例源代码、课件PPT等。本书面向具有人工智能技术需求的相关专业学生，按照初学者的学习思维与人工智能的特点及规律进行设计，科学布局并合理规划课程路线，紧密结合机器学习与深度学习发展历程，并将陈述性理论知识穿插于技能训练中。
本书可作为高等院校计算机相关专业人工智能课程的教材或实践配套教材，也可作为非计算机相关专业人工智能创新实验课程和大专、培训类学校的参考书。

第一部分 环境基础教学
第1章 实验环境搭建
1.1 Anaconda的安装
1.2 PyCharm的安装与使用
1.3 包的安装
1.3.1 pip的安装与使用
1.3.2 NumPy的安装
1.3.3 Matplotlib的安装
1.3.4 Pandas的安装
1.4 框架搭建
1.4.1 PyTorch-CPU的安装
1.4.2 TensorFlow-CPU的安装
1.5 本章小结
1.6 本章习题
第2章 Python编程语言基础
2.1 基础语法
2.1.1 输入/输出函数
2.1.2 标识符和关键字
2.1.3 变量、数据类型及注释
2.1.4 运算符
2.2 基本程序设计方法
2.2.1 函数
2.2.2 分支结构
2.2.3 循环
2.3 编程进阶
2.3.1 列表
2.3.2 字典
2.3.3 文件操作
2.4 本章小结
2.5 本章习题
第二部分 机器学习
第3章 机器学习基础
3.1 基本概念
3.2 机器学习的三要素
3.2.1 模型
3.2.2 学习策略
3.2.3 优化准则
3.3 评估方法
3.3.1 数据集划分方法
3.3.2 性能度量
3.4 本章小结
3.5 本章习题
第4章 K近邻算法
4.1 算法概述
4.1.1 基本概念
4.1.2 距离计算函数
4.2 实验数据
4.2.1 准备数据
4.2.2 分析数据
4.2.3 处理数据
4.3 算法实战
4.3.1 KNN算法实现
4.3.2 预测测试集并计算准确率
4.3.3 结果分析
4.4 本章小结
4.5 本章习题
第5章 决策树算法
5.1 算法概述
5.1.1 基本概念
5.1.2 特征选择
5.1.3 决策树的生成
5.1.4 决策树的剪枝
5.1.5 决策树的存储
5.1.6 决策树的可视化
5.2 实验数据
5.2.1 数据集介绍
5.2.2 导入数据集
5.2.3 划分训练集和测试集
5.3 算法实战
5.3.1 计算香农熵
5.3.2 数据集最佳划分函数
5.3.3 按照给定列划分数据集
5.3.4 递归构建决策树
5.3.5 利用训练集生成决策树
5.3.6 保存决策树
5.3.7 预测测试集并计算准确率
5.3.8 绘制决策树
5.4 本章小结
5.5 本章习题
第6章 朴素贝叶斯算法
6.1 算法概述
6.1.1 基本概念
6.1.2 贝叶斯算法的原理
6.1.3 朴素贝叶斯算法的类型
6.2 实验数据
6.2.1 准备数据
6.2.2 分析数据
6.2.3 处理数据
6.3 算法实战
6.3.1 算法构建
6.3.2 训练测试数据
6.3.3 结果分析
6.4 本章小结
6.5 本章习题
第7章 Logistic回归
7.1 Logistic回归概述
7.1.1 基本概念
7.1.2 Logistic回归算法
7.1.3 梯度下降法
7.2 Logistic回归实战
7.2.1 准备数据
7.2.2 分析数据
7.2.3 处理数据
7.3 算法实战
7.3.1 算法构建
7.3.2 定义分类函数
7.3.3 预测测试集并计算准确率
7.3.4 结果分析
7.4 本章小结
7.5 本章习题
第8章 支持向量机
8.1 支持向量机算法思想
8.1.1 算法原理
8.1.2 算法流程
8.1.3 SMO算法
8.2 实验数据
8.2.1 准备数据
8.2.2 分析数据
8.2.3 处理数据
8.3 算法实战
8.3.1 算法构建
8.3.2 训练测试数据
8.3.3 结果分析
8.4 本章小结
8.5 本章习题
第9章 随机森林算法
9.1 算法概述
9.1.1 集成学习概述
9.1.2 随机森林算法概述
9.2 实验数据
9.2.1 准备数据
9.2.2 分析数据
9.2.3 处理数据
9.3 算法实战
9.3.1 创建随机森林分类器
9.3.2 创建修改参数的随机森林
9.3.3 使用随机森林模型找重要特征
9.3.4 可视化特征分数
9.3.5 在选定的特征上建立随机森林模型
9.4 本章小结
9.5 本章习题
第10章 AdaBoost算法
10.1 算法概述
10.1.1 Boosting算法概述
10.1.2 AdaBoost算法概述
10.2 实验数据
10.2.1 准备数据
10.2.2 处理数据
10.3 算法实战
10.3.1 算法构建
10.3.2 训练测试数据
10.3.3 结果分析
10.4 本章小结
10.5 本章习题
第11章 Apriori算法
11.1 算法概述
11.1.1 关联分析
11.1.2 Apriori算法的思想
11.2 实验数据
11.2.1 准备数据
11.2.2 分析数据
11.2.3 处理数据
11.3 算法实战
11.3.1 算法构建
11.3.2 训练测试数据