章 机器学习的基础知识
1.1 何谓机器学习
1.1.1 传感器和海量数据
1.1.2 机器学习的重要性
1.1.3 机器学习的表现
1.1.4 机器学习的主要任务
1.1.5 选择合适的算法
1.1.6 机器学习程序的步骤
1.2 综合分类
1.3 推荐系统和深度学习
1.3.1 推荐系统
1.3.2 深度学习
1.4 何为Python
1.4.1 使用Python软件的由来
1.4.2 为什么使用Python
1.4.3 Python设计定位
1.4.4 Python的优缺点
1.4.5 Python的应用
1.5 Python编程步
1.6 NumPy函数库基础
1.7 Python迭代器与生成器
1.7.1 迭代器
1.7.2 生成器
1.8 多线程
1.8.1 学习Python线程
1.8.2 线程模块
1.8.3 线程同步
1.8.4 线程优先级队列（Queue）
1.9 小结
1.10 习题
第2章 Python近邻法
2.1 k近邻法的三要素
2.1.1 k选择
2.1.2 距离度量
2.1.3 分类决策规则
2.2 k近邻法
2.3 kd树
2.3.1 什么是kd树
2.3.2 如何构建kd树
2.3.3 如何在kd树中搜索
2.4 Python实现kd树、k近邻法
2.5 小结
2.6 习题
第3章 Python数据降维
3.1 维度灾难与降维
3.2 主成分分析
3.2.1 PCA原理
3.2.2 PCA算法
3.2.3 PCA降维的两个准则
3.3 SVD降维
3.4 核主成分分析降维
3.5 流形学习降维
3.6 多维缩放降维
3.6.1 原理
3.6.2 MDS算法
3.7 等度量映射降维
3.8 局部线性嵌入
3.8.1 原理
3.8.2 LLE算法
3.9 非负矩阵分解
3.10 小结
3.11 习题
……
第4章 Python分类算法
第5章 Python回归算法
第6章 Python聚类算法
第7章 Python神经网络
第8章 Python推荐算法
第9章 Python频繁项集
0章 Python数据预处理
参考文献

Python是目前比较热门的编程语言，以简单易学、应用广泛、类库强大而著称，是实现机器学习算法的优选语言。本书以Python 3.6.5为编写平台，以帮助读者快速上手、理论与实践相结合为出发点，介绍Python机器学习的相关内容。全书共10章，分别介绍了机器学习的基础知识、近邻法、数据降维、分类算法、回归算法、聚类算法、神经网络、推荐算法、频繁项集、数据预处理。通过本书的学习，读者可了解Python编程及在机器学习中的应用。本书可作为对Python和机器学习感兴趣的初学者的参考书，也可作为从事Python开发的广大科研人员、学者、工程技术人员的参考书，还可作为高等院校人工智能、计算机等相关专业的教材。