（1）作者来自师范类应用型本科院校，了解应用型本科院校的需求。
（2）难度适中，阅读门槛低，普适性高：对机器学习所需Python编程与数学知识进行全面系统地介绍，确保读者无须单独再学习其他数学教材也能顺利进行学习，适合初学者。
（3）内容全面，系统性强，内容基本覆盖了机器学习的主要内容，深入浅出，且理论与实践相结合。
（4）内容新：相关发展的内容涵盖与反映了学术界与工业界的新成果，确保本书内容能够紧跟当前的学术和技术趋势。
（5）立体化资源配套，包括PPT、素材、源代码、实验指导、虚拟仿真平台等。

本书是机器学习的入门教材，讲述机器学习的主流算法原理及其应用。全书着重对线性回归、Logistic回归、朴素贝叶斯、K近邻、决策树、支持向量机、K均值聚类、混合高斯模型、人工神经网络、深度学习、集成学习等经典机器学习算法的原理进行深入、系统地阐述，同时结合在线教学分析、鸢尾花识别、睡眠障碍预测等生活实例介绍其具体应用方法。 本书使用 Python 作为编程语言，强调简单、快速地建立模型，解决实际问题。本书的算法原理推导深入浅出、简洁明了，同时配有详细的应用讲解，可让初学者真正理解算法，学会使用算法。

第 1章\t概述\t1
1.1 定义\t1
1.2 发展历程与趋势\t2
1.2.1 发展历程\t2
1.2.2 发展趋势\t2
1.3 基本原理与术语\t3
1.3.1 基本原理\t3
1.3.2 关键术语\t4
1.4 数学本质\t6
1.4.1 模型定义\t7
1.4.2 模型求解\t7
1.5 PYTHON语言基础\t8
1.5.1 概述\t8
1.5.2 基本语法\t8
1.5.3 数据类型\t10
1.5.4 运算符与表达式\t14
1.5.5 程序控制结构\t17
1.5.6 函数\t19
1.5.7 面向对象\t22
1.5.8 文件\t25
1.6 常用库\t26
1.6.1 科学计算库（Numpy）\t27
1.6.2 机器学习库（Scikit-learn）\t31
1.6.3 绘图库（Matplotlib）\t32
1.6.4 图像处理库（PIL与Torchvision）\t38
第 2章\t特征工程\t44
2.1 基本原理\t44
2.2 特征预处理\t45
2.2.1 异常值检测\t45
2.2.2 数据采样\t46
2.2.3 规范化\t46
2.2.4 离散化\t48
2.2.5 特征编码\t48
2.3 特征选择\t50
2.3.1 特征过滤（Filter）\t50
2.3.2 特征包装（Wrapper）\t54
2.3.3 特征嵌入（Embedded）\t55
2.4 特征提取\t57
2.4.1 主成分分析\t57
2.4.2 线性判别分析\t62
第3章\t线性回归\t71
3.1 基本原理\t71
3.1.1 基本概念\t71
3.1.2 数学模型与求解\t72
3.2 应用实例\t74
3.2.1 体重预测\t74
3.2.2 糖尿病预测\t76
3.2.3 房价预测\t78
第4章\tLOGISTIC回归\t82
4.1基本原理\t82
4.1.1 基本概念\t82
4.1.2 数学模型与求解\t82
4.2 应用实例\t84
4.2.1 分类可视化\t84
4.2.2 鸢尾花识别\t86
4.2.3 乳腺癌预测\t89
第5章\t朴素贝叶斯\t93
5.1 基本原理\t93
5.1.1 基本概念\t93
5.1.2 主要类型\t95
5.2 应用实例\t95
5.2.1 高斯朴素贝叶斯\t97
5.2.2 多项式朴素贝叶斯\t99
5.2.3 伯努利朴素贝叶斯\t102
5.2.4 补集朴素贝叶斯\t103
第6章\tK近邻\t107
6.1 基本原理\t107
6.1.1 基本概念\t107
6.1.2 KD树\t107
6.1.3 常见问题\t108
6.2 应用实例\t111
6.2.1 参数分析\t111
6.2.2 约会预测\t113
6.2.3 KD树应用\t116
第7章\t决策树\t120
7.1 基本原理\t120
7.1.1 ID3算法\t120
7.1.2 C4.5算法\t123
7.1.3 CART算法\t123
7.2 应用实例\t123
7.2.1 红酒分类\t124
7.2.2 薪水预测\t127
第8章\t支持向量机\t132
8.1 基本原理\t132
8.1.1 数学模型\t132
8.1.2 核函数\t133
8.2 应用实例\t135
8.2.1 参数分析\t135
8.2.3 在线教学分析\t137
8.2.3 幸福指数预测\t141
第9章\tK均值聚类\t145
9.1 基本原理\t145
9.1.1 基本概念\t145
9.1.2 评价标准\t146
9.1.3 扩展类型\t146
9.2 应用实例\t147
9.2.1 参数分析\t148
9.2.2 文本聚类\t149
9.2.3 睡眠障碍预测\t152
9.2.4 图像颜色聚类\t155
第 10章\t高斯混合模型\t158
10.1 基本原理\t158
10.1.1 基本概念\t158
10.1.2 数学模型\t159
10.2 应用实例\t161
10.2.1 数据聚类\t161
10.2.2 图像生成\t164
第 11章\t人工神经网络\t167
11.1 基本原理\t167
11.1.1 基本概念\t167
11.1.2 数学模型\t168
11.2 应用实例\t169
11.2.1 学生表现预测\t170
11.2.2 心脏病预测\t173
11.2.3 曲线拟合\t177
第 12章\t深度学习\t179
12.1 基本原理\t179
12.1.1 基本概念\t179
12.1.2 PyTorch框架\t180
12.2 应用实例\t188
12.2.1 回归分析\t188
12.2.2 Logistic回归\t193
12.2.3 自动编码解码器\t199
12.2.4 卷积神经网络\t202
12.2.5 生成式对抗网络\t206
12.2.6 残差神经网络\t210
12.2.7 孪生神经网络\t213
第 13章\t集成学习\t220
13.1 基本原理\t220
13.1.1 基本概念\t220
13.1.2 基础方法\t221
13.1.3 集成框架\t222
13.2 应用实例\t226
13.2.1 基础方法\t227
13.2.2 AdaBoost\t231
13.2.3 梯度提升树\t235
13.2.4 XGBoost\t240
13.2.5 随机森林\t244
13.2.6 Stacking分类与回归\t249
参考文献\t254