本书主要内容包括机器学习介绍，NumPy、Pandas、SciPy库、Matplotlib（可视化）四个基础模块，Scikit-learn算法、模型、拟合、过拟合、欠拟合、模型性能度量指标、数据标准化、非线性转换、离散化，以及特征抽取和降维的各种方法，包括特征哈希、文本特征抽取、特征聚合等。全书通过实用范例和图解形式讲解，选材典型，案例丰富，适合从事大数据、数据挖掘、机器学习等人工智能领域开发的各类人员。
本书是上册，首先简要介绍了机器学习的基础知识以及学习Scikit-learn的预备知识，然后重点讲解学习和掌握Scikit-learn的基础知识和基本功能，包括数据变换、特征抽取和降维技术等功能，这些都是高效应用Scikit-learn的必备知识。

1 机器学习
1.1 机器学习和人工智能
1.2 机器学习和大数据
1.3 机器学习和数据挖掘
1.4 机器学习分类和应用
1.5 机器学习开发步骤
1.5.1 数据挖掘标准流程
1.5.2 机器学习开发步骤
本章小结
2 Scikit-learn预备知识
2.1 NumPy
2.1.1 NumPy数组概念
2.1.2 NumPy数据类型
2.1.3 NumPy数组创建
2.1.4 NumPy数组操作
2.1.5 NumPy随机数
2.1.6 NumPy输入输出
2.1.7 NumPy矩阵
2.1.8 NumPy线性代数
2.1.9 NumPy常数
2.2 Pandas
2.2.1 Pandas数据结构
2.2.2 Pandas顶层函数
2.2.3 Pandas应用举例
2.3 SciPy库
2.3.1 SciPy库基础知识
2.3.2 稀疏矩阵及其处理
2.3.3 SciPy库应用举例
2.4 Matplotlib
2.4.1 Matplotlib基础知识
2.4.2 Matplotlib应用举例
本章小结
3 Scikit-learn基础应用
3.1 机器学习的算法和模型
3.1.1 特征变量和目标变量
3.1.2 算法训练
3.1.3 过拟合和欠拟合
3.1.4 模型性能度量
3.2 模型选择
3.3 Scikit-learn的功能模块
3.4 Scikit-learn应用
3.4.1 安装Scikit-learn
3.4.2 数据导入
3.4.3 模型持久化
3.4.4 文本数据处理
3.4.5 随机状态控制
3.4.6 分类型变量处理
3.4.7 Pandas数据框处理
3.4.8 输入输出约定
3.5 应用实例
本章小结
4 Scikit-learn数据变换
4.1 概念介绍
4.1.1 评估器（estimator）
4.1.2 转换器（transformer）
4.1.3 管道（pipeline）
4.2 数据预处理
4.2.1 数据标准化
4.2.2 数据非线性转换
4.2.3 数据归一化
4.2.4 分类型特征变量编码
4.2.5 数据离散化
4.2.6 特征组合
4.3 缺失值处理
4.3.1 单变量插补
4.3.2 多变量插补
4.3.3 最近邻插补
4.3.4 标记插补缺失值
4.4 目标变量预处理
4.4.1 多类别分类标签二值化
4.4.2 多标签分类标签二值化
4.4.3 目标变量标签编码
本章小结
5 Scikit-learn特征抽取和降维
5.1 特征抽取
5.1.1 字典列表对象向量化
5.1.2 特征哈希
5.1.3 文本特征抽取
5.1.4 图像特征抽取
5.2 特征降维
5.2.1 主成分分析
5.2.2 特征聚合
5.2.3 随机投影
本章小结
附录
1.互操作和框架增强包
2.评估器和任务扩展包
3.统计知识扩展包
4.推荐引擎扩展包
5.特定领域的扩展包