刘军著的《基于scikit-learn的机器学习--算法与实践》侧重于机器学习的工程实践，涉及原始数据的预处理、模型选择、参数优化及模型性能评估等机器学习模型构建的全流程。本书涵盖了机器学习的主要算法，如主成分分析算法、k近邻算法、朴素贝叶斯算法、支持向量机算法、决策树算法、人工神经网络算法以及集成算法。
本书尽量使用简单通俗的语言来介绍机器学习中的基本概念和算法，并通过基于scikit-learn的范例代码来帮助读者了解和掌握各种算法的应用，并能根据实际问题对范例代码进行修改。
本书适合于从事机器学习相关工作的数据分析人员，也可供需要使用机器学习算法进行数据分析的研究生和科研工作者参考。同时，本书也可作为经管类研究生的机器学习应用类课程的教程。

第1章 概论
1.1 机器学习的概念
1.2 机器学习的分类
1.3 机器学习的一般步骤
1.4 本书结构
第2章 Python语言入门
2.1 Python简介
2.1.1 Python的诞生
2.2.2 Python的优缺点
2.2 Python运行环境安装配置
2.2.1 Python运行环境
2.2.2 Python集成开发环境
2.3 Python基本语法
2.3.1 Python语句
2.3.2 Python常用数据类型
2.4 Python的第三方包
2.4.1 NumPy简介
2.4.2 Matplotlib简介
2.4.3 pandas简介
2.4.4 SciPy简介
第3章 基础知识
3.1 线性代数基本知识
3.1.1 基本概念
3.1.2 矩阵分解
3.1.3 示例代码
3.2 概率论基本知识
3.2.1 基本概念
3.2.2 概率分布
3.2.3 n维随机变量
3.2.4 随机变量的数值特征
第4章 sklearn基本知识
4.1 skleam概述
4.2 主要模块
4.3 sklearn范例数据集
第5章 数据预处理
5.1 缺失值的处理
5.2 数据规范化处理
5.2.1 归一化
5.2.2 标准化
5.2.3 正则化
5.3 特征编码
5.3.1 特征二值化
5.3.2 独热编码
5.4 异常值
5.5 小结
第6章 降维
6.1 主成分分析
6.2 线性判别式分析
6.3 因子分析
6.4 算法范例
6.4.1 范例一：PCA算法
6.4.2 范例二：因子分析算法
6.5 小结
第7章 线性模型
7.1 线性模型概述
7.2 普通线性回归
7.2.1 数学模型
7.2.2 一元线性回归
7.2.3 多元线性回归
7.2.4 绘图观察数据
7.3 线性回归模型的正则化
7.4 梯度下降法拟合模型
7.5 线性分类模型
7.6 小结
第8章 k近邻算法
8.1 k近邻算法概述
8.2 k近邻算法
8.3 k近邻算法应用范例
8.3.1 无监督最近邻学习
8.3.2 最近邻分类
8.3.3 最近邻回归
8.4 小结
第9章 朴素贝叶斯分类器
9.1 朴素贝叶斯算法
9.2 算法范例
9.3 小结
第10章 支持向量机
10.1 支持向量机概述
10.2 支持向量机算法
10.2.1 线性分类器
10.2.2 对偶问题
10.2.3 软间隔
10.2.4 核函数
10.3 算法范例
10.3.1 类参数解析
10.3.2 支持向量分类范例
10.3.3 支持向量回归范例
10.3.4 One-Class支持向量范例
10.4 小结
第1l章 决策树
11.1 概述
11.2 决策树算法
11.2.1 信息增益
11.2.2 CART算法的原理
11.3 决策树学习的适用问题
11.4 算法范例
11.4.1 范例一：决策树分类
11.4.2 范例二：决策树回归
11.5 小结
第12章 人工神经网络
12.1 人工神经网络简介
12.2 人工神经网络算法
12.2.1 单层感知机
12.2.2 多层感知机
12.3 激活函数
12.4 人工神经网络算法适用的问题
12.5 算法范例：BP神经网络应用范例
12.5.1 范例一：单层感知机
12.5.2 范例二：多层感知机
12.6 小结
第13章 集成算法
13.1 AdaBoost算法
13.1.1 基本思想
13.1.2 算法流程
13.2 随机森林算法
13.2.1 基本思想
13.2.2 随机森林算法实现过程
13.3 算法范例
13.3.1 范例一：随机森林算法
13.3.2 范例二：AdaBoost算法
13.4 小结
第14章 模型评价与优化
14.1 概述
14.2 模型评价方法与指标
14.2.1 损失函数和风险函数
14.2.2 模型评价方法
14.2.3 数据集划分方法
14.2.4 模型评价指标
14.3 模型评价范例
14.3.1 范例一：数据集的切分
14.3.2 范例二：模型性能评估
14.3.3 范例三：模型参数优化
14.4 小结
参考文献