刘长龙著的《从机器学习到深度学习（基于scikit-learn与TensorFlow的高效开发实战）》是一本场景式的机器学习实践书，笔者努力做到“授人以渔，而非授人以鱼”。理论方面从人工智能(AI)与机器学习(ML)的基本要素讲起，逐步展开有监督学习、无监督学习、强化学习这三大类模型的应用场景与算法原理；实践方面通过金融预测、医疗诊断概率模型、月球登陆器、图像识别、写诗机器人、中国象棋博弈等案例启发读者将机器学习应用在各行各业里，其中后三个案例使用了深度学习技术。
本书试图用通俗的语言讲解涵盖算法模型的机器学习，主要内容包括机器学习通用概念、三个基本科学计算工具、有监督学习、聚类模型、降维模型、隐马尔可夫模型、贝叶斯网络、自然语言处理、深度学习、强化学习、模型迁移等。在深入浅出地解析模型与算法之后，介绍使用Python相关工具进行开发的方法、解析经典案例，使读者做到“能理解、能设计、能编码、能调试”，没有任何专业基础的读者在学习本书后也能够上手设计与开发机器学习产品。
本书内容深入浅出、实例典型，适合对机器学习感兴趣的产品设计、技术管理、数据分析、软件开发或学生读者。阅读本书既能了解当前工业界的主流机器学习与深度学习开发工具的使用方法，又能从战略方面掌握如何将人工智能技术应用到自己的企业与产品中。

刘长龙，思维与行动兼备的80后，享受萌生新想法后边开发边思考的创新过程。上海交大硕士毕业后最初任职于上海电信，负责账务与支付系统的开发与实施；之后加入Honeywell负责多个自动化控制产品服务开发、主导了霍尼韦尔中国智能家居在云与大数据上的创新；现在作为思科的工程师在企业内主持多次机器学习技术分享，实现智能文本分析系统、聊天机器人自然语言处理等产品创新；2018年在思科主办，腾讯、网易、诺基亚等共同参与的敏捷与人工智能峰会上担任机器学习算法演讲嘉宾。

第1章 机器学习基础
1.1 引言
1.1.1 为什么使用机器学习
1.1.2 机器学习与数据挖掘
1.1.3 机器学习与人工智能
1.2 机器学习的一般流程
1.2.1 定义问题
1.2.2 收集数据
1.2.3 比较算法与模型
1.2.4 应用模型
1.3 学习策略
1.3.1 有监督学习
1.3.2 无监督学习
1.3.3 强化学习
1.3.4 综合模型与工具
1.4 评估理论
1.4.1 划分数据集
1.4.2 交叉验证
1.4.3 评估指标
1.4.4 拟合不足与过度拟合
1.5 本章内容回顾
第2章 Python基础工具
2.1 Numpy
2.1.1 Numpy与Scipy的分工
2.1.2 ndarray构造
2.1.3 数据类型
2.1.4 访问与修改
2.1.5 轴
2.1.6 维度操作
2.1.7 合并与拆分
2.1.8 增与删
2.1.9 全函数
2.1.10 广播
2.2 Matplot
2.2.1 点线图
2.2.2 子视图
2.2.3 图像
2.2.4 等值图
2.2.5 三维绘图
2.2.6 从官网学习
2.3 Scipy
2.3.1 数学与物理常数
2.3.2 特殊函数库
2.3.3 积分
2.3.4 优化
2.3.5 插值
2.3.6 离散傅里叶
2.3.7 卷积
2.3.8 线性分析
2.3.9 概率统计
……
第3章 有监督学习：分类与回归
第4章 无监督学习：聚类
第5章 无监督学习：数据降维
第6章 隐马尔可夫模型
第7章 贝叶斯网络
第8章 自然语言处理
第9章 深度学习
第10章 强化学习
第11章 模型迁移
后记