本书以机器学习算法为主题，详细介绍算法的理论细节与应用方法。全书共19章，分别介绍了逻辑回归及最大嫡模型、k-近邻模型、决策树模型、朴素贝叶斯分类器模型、支持向量机模型、集成学习框架EM算法、降维算法、聚类算法、神经网络模型等基础模型或算法，以及8个综合项目实例。本书重视理论与实践相结合，希望为读者提供全面而细致的学习指导。
本书适合机器学习初学者、相关行业从业人员以及高等院校计算机科学与技术、软件工程等相关专业的师生阅读。

第1章 机器学习概述
1.1 机器学习的组成
1.2 分类问题及回归问题
1.3 监督学习、半监督学习和无监督学习
1.4 生成模型及判别模型
1.5 模型评估
1.5.1 训练误差及泛化误差
1.5.2 过拟合及欠拟合
1.6 正则化
1.7 Scikit-learn模块
1.7.1 数据集
1.7.2 模型选择
习题1
第2章 逻辑回归及最大熵模型
2.1 线性回归
2.1.1 一元线性回归
2.1.2 多元线性回归
2.2 广义线性回归
2.2.1 逻辑回归
2.2.2 多分类逻辑回归
2.2.3 交叉熵损失函数
2.3 最大熵模型
2.3.1 最大熵模型的导出
2.3.2 最大熵模型与逻辑回归之间的关系
2.4 评价指标
2.4.1 混淆矩阵
2.4.2 准确率
2.4.3 精确率与召回率
2.4.4 PR曲线
2.4.5 ROC曲线
2.5 实例：基于逻辑回归实现乳腺癌预测
习题2
第3章 k-近邻算法
3.1 女值的选取
3.2 距离的度量
3.3 快速检索
3.4 实例：基于k-近邻算法实现鸢尾花分类
习题3
第4章 决策树
4.1 特征选择
4.1.1 信息增益
4.1.2 信息增益比
4.2 决策树生成算法CART
4.3 决策树剪枝
4.3.1 预剪枝
4.3.2 后剪枝
4.4 实例：基于决策树实现葡萄酒分类
习题4
第5章 朴素贝叶斯分类器
5.1 极大似然估计
5.2 朴素贝叶斯分类
5.3 拉普拉斯平滑
5.4 朴素贝叶斯分类器的极大似然估计解释
5.5 实例：基于朴素贝叶斯实现垃圾短信分类
习题5
第6章 支持向量机
6.1 最大间隔及超平面
6.2 线性可分支持向量机
6.3 线性支持向量机
6.4 合页损失函数
6.5 核技巧
6.6 二分类问题与多分类问题
6.6.1 一对一
6.6.2 一对多
6.6.3 多对多
6.7 实例：基于支持向量机实现葡萄酒分类
习题6
第7章 集成学习
7.1 偏差与方差
7.2 Bagging及随机森林
7.2.1 Bagging
7.2.2 随机森林
7.3 Boosting及AdaBoost
7.3.1 Boosting
7.3.2 AdaBoost
7.4 提升树
7.4.1 残差提升树
7.4.2 GBDT
7.4.3 XGBoost
7.5 Stacking
7.6 实例：基于梯度下降树实现波士顿房价预测
习题7
第8章 EM算法及其应用
8.1 Jensen不等式
8.2 EM算法
8.3 高斯混合模型（GMM）
8.4 隐马尔可夫模型
8.4.1 计算观测概率的输出
8.4.2 估计隐马尔可夫模型的参数
8.4.3 隐变量序列预测
8.5 实例：基于高斯混合模型实现鸢尾花分类
习题8
第9章 降维
9.1 主成分分析
9.1.1 方差即协方差的无偏估计
9.1.2 实例：基于主成分分析实现鸢尾花数据降维
9.2 奇异值分解
9.2.1 奇异值分解的构造
9.2.2 奇异值分解用于数据压缩
9.2.3 SVD与PCA的关系
9.2.4 奇异值分解的几何解释
9.2.5 实例：基于奇异值分解实现图片压缩
习题9
第10章 聚类
10.1 距离度量
10.1.1 闵可夫斯基距离
1O.1.2 余弦相似度
10.1.3 马氏距离
10.1.4 汉明距离
10.2 层次聚类
10.3 K-Means聚类
10.4 K-Medoids聚类
10.5 DBSCAN
10.6 实例：基于K-Means实现鸢尾花聚类
习题10
第11章 神经网络与深度学习
11.1 神经元模型
11.2 多层感知机
11.3 损失函数
11.4 反向传播算法
11.4.1 梯度下降法
11.4.2 梯度消失及梯度爆炸
11.5 卷积神经网络
11.5.1 卷积
11.5.2 池化
11.5.3 网络架构
11.6 循环神经网络
11.7 生成对抗网络
11.8 图卷积神经网络
11.9 深度学习发展
11.10 实例：基于卷积神经网络实现手写数字识别
11.10.1 MNIST数据集
11.10.2 基于卷积神经网络的手写数字识别
习题11
第12章 案例：用户流失预警
12.1 读入数据
12.2 数据预处理和自变量标准化
12.3 五折交叉验证
12.4 代入三种模型
12.5 调整prob阈值，输出精度评估
第13章 案例：基于回归问题和XGBoost模型的房价预测
13.1 XGBoost模型介绍
13.2 技术方案
13.2.1 数据分析
13.2.2 XGBoost模型参数
13.2.3 调参过程
13.3 完整代码及结果展示
第14章 案例：基于K-Means算法的鸢尾花数据聚类和可视化
14.1 数据及工具简介
14.1.1 Iris数据集（鸢尾花数据集）
14.1.2 T1kinter
14.2 案例分析
14.2.1 模块引入
14.2.2 布局图形界面
14.2.3 读取数据文件
14.2.4 聚类
14.2.5 聚类结果可视化
14.2.6 误差分析及其可视化
14.2.7 使用流程
第15章 案例：影评数据分析与电影推荐
15.1 明确目标与准备数据
15.2 工具选择
15.3 初步分析
15.3.1 用户角度分析
15.3.2 电影角