本书是“鸢尾花数学大系：从加减乘除到机器学习”丛书的最后一册，前六本解决了编程、可视化、数学、数据方面的诸多问题，而本书将开启机器学习经典算法的学习之旅。
本书设置了24个话题，对应四大类机器学习经典算法（回归、分类、降维、聚类），覆盖算法包括：回归分析、多元线性回归、非线性回归、正则化回归、贝叶斯回归、高斯过程、k最近邻分类、朴素贝叶斯分类、高斯判别分析、支持向量机、核技巧、决策树、主成分分析、截断奇异值分解、主成分分析进阶、主成分分析与回归、核主成分分析、典型相关分析、k均值聚类、高斯混合模型、优选期望算法、层次聚类、密度聚类、谱聚类。
本书选取算法模型的目标是覆盖Scikit-Learn库的常用机器学习算法函数，让读者充分理解算法理论，又能联系实际应用。因此，在学习本书时，特别希望调用Scikit-Learn各种函数来解决问题之余，更要理解算法背后的数学工具。因此，本书给出适度的数学推导以及扩展阅读。
本书提供代码示例和视频讲解，“鸢尾花书”强调在JupyterLab自主探究学习才能提高编程技能。本书配套微课也主要以配套Jupyter Notebooks为核心，希望读者边看视频，边动手练习。
本书读者群包括所有试图用机器学习解决问题的朋友，尤其适用于机器学习入门、初级程序员转型、高级数据分析师、机器学习进阶。

绪论
第1板块综述
第1章机器学习
1.1什么是机器学习？
1.2回归：找到自变量与因变量关系
1.3分类：针对有标签数据
1.4降维：降低数据维度，提取主要特征
1.5聚类：针对无标签数据
1.6机器学习流程
1.7下一步学什么？
第2板块回归
第2章回归分析
2.1线性回归：一个表格、一条直线
2.2方差分析(ANOVA)
2.3总离差平方和(SST)
2.4回归平方和(SSR)
2.5残差平方和(SSE)
……