本书介绍了机器学习技术及Python实践的基础知识，涵盖了Python的机器学习基础、数据预处理、机器学习算法及其实践、深度学习、模型评价、机器学习应用等内容。其中篇为基础入门篇，介绍人工智能、机器学习、大数据等概念及相互关系，机器学习的步骤，Python的Anaconda版本的安装与使用，NumPy、Matplotlib、Seaborn、Pandas等常用模块，以及数据文件访问、数据统计。第二篇为数据预处理篇，介绍使用NumPy产生模拟数据集，scikit-learn样本生成器，scikit-learn自带数据集，使用scikit-skleam对数据集进行Z-score标准化、极差标准化、正则化、二值化、缺失值插补、分类特征编码、PCA降维、LDA降维、TSNE降维。第三篇为机器学习算法篇，介绍线性回归、多项式回归、决策树学习、支持向量机、聚类分析、集成学习、神经网络、模型评价。第四篇为机器学习应用篇，介绍图像处理与识别、语音处理与识别、文本处理与中文期刊分类、图像压缩。第五篇为项目实战篇，介绍社交好友分析、电商点击率预测及分析等。
本书既适合在机器学习、数据挖掘和Python编程方面零基础的读者，以及对此感兴趣的在职IT人员和教师使用，也可以作为相关培训机构的培训教材。

杨志晓，工学博士，副教授，现在河南牧业经济学院智能制造与自动化学院工作，从事计算机应用、控制理论与控制工程专业的教学与科研工作。研究方向主要有：人工智能理论及应用、人机情感交互、可信计算。
曾参与主持河南省重点科技攻关项目1项、河南省教育厅自然科学研究计划项目2项、河南省高校青年骨干教师资助计划项目、郑州市科技攻关项目各1项，主持省级鉴定项目5项，作为主要完成.人参与省级项目10余项，参与国家“十一五”科技支撑计划项目1项，获省政府科技进步2等奖和3等奖各1项，获教育厅科技成果一等奖2项，二等奖4项。获国家授权发明2项（均为主持）等。
范艳峰，工学博士，教授。1995年至今，于河南工业大学信息科学与工程学院工作，教授。从事人工智能理论及应用的教学科研工作。

篇 基础入门篇
章 Python机器学习入门 1
1.1 机器学习是人工智能的一个分支 2
1.1.1 什么是智能 2
1.1.2 智能的特点 4
1.1.3 人工智能及其研究内容 5
1.1.4 人工智能的主要学派 7
1.1.5 人工智能的研究和应用范畴 9
1.2 理解机器学习 10
1.2.1 学习与机器学习 10
1.2.2 机器学习的分类 11
1.2.3 典型的机器学习方法 12
1.2.4 深度学习 17
1.3 数据、大数据及其组织方式 18
1.3.1 数据及大数据 18
1.3.2 数据库与数据仓库 18
1.4 机器学习的一般步骤 19
1.5 本章小结 21
1.6 习题 21
1.7 高手点拨 21
第2章 设置机器学习的环境 23
2.1 机器学习工具及PythonAnaconda的安装 24
2.1.1 机器学习工具 24
2.1.2 Python Anaconda 24
2.1.3 Python Anaconda版的安装和使用 28
2.1.4 机器学习库scikit-learn 32
2.2 环境测试 33
2.3 综合实例——个机器学习实例 34
2.4 本章小结 36
2.5 习题 36
2.6 高手点拨 36
第3章 Python机器学习基础 39
3.1 NumPy数值计算基础 40
3.2 Matplotlib可视化基础 59
3.2.1 matplotlib.pyplot绘图元素和基本流程 59
3.2.2 绘制散点图 60
3.2.3 绘制折线图和点线图 62
3.2.4 绘制柱状图 64
3.2.5 绘制饼图 67
3.2.6 绘制箱线图 69
3.2.7 绘制直方图 70
3.2.8 绘制子图 71
3.3 Seaborn统计数据可视化 72
3.3.1 特征关系可视化 73
3.3.2 特征分类别可视化 76
3.3.3 特征分布可视化 90
3.3.4 矩阵可视化 98
3.4 访问数据文件 101
3.4.1 NumPy访问二进制文件 101
3.4.2 Pandas访问文本文件 104
3.4.3 Pandas访问Excel文件 107
3.5 Pandas DataFrame操作 108
3.5.1 DataFrame对象及其属性 108
3.5.2 使用字典方式访问DataFrame 110
3.5.3 使用属性方式访问DataFrame 112
3.5.4 DataFrame访问行的特殊方法 113
3.5.5 使用DataFrame.loc[ ],DataFrame.iloc[ ]对DataFrame进行切片 114
3.5.6 更改DataFrame中的数据 119
3.6 综合实例——iris数据集特征、特征间关系及分类别分析 121
3.7 本章小结 129
3.8 习题 129
3.9 高手点拨 130
第4章 统计分析数学基础及Python实现 131
4.1 基本统计知识 132
4.1.1 中位数、众数、极差 132
4.1.2 相关性、协方差、相关系数、协方差矩阵 133
4.1.3 数据的分组聚合 135
4.1.4 数据透视表与交叉表 136
4.2 NumPy统计分析 136
4.3 Pandas统计分析 140
4.3.1 Pandas DataFrame描述性统计 141
4.3.2 Pandas DataFrame数据离散化 146
4.3.3 使用GroupBy拆分数据并进行描述性统计 150
4.3.4 使用agg方法聚合数据 157
4.3.5 使用apply方法聚合数据 160
4.3.6 使用transform方法聚合数据 161
4.3.7 使用pivot_table创建透视表 163
4.3.8 使用crosstab创建交叉表 171
4.4 综合实例——iris数据集统计分析 173
4.5 本章小结 189
4.6 习题 189
4.7 高手点拨 190
第二篇 数据预处理篇
第5章 数据分析步——产生和加载数据集 191
5.1 使用NumPy的函数产生模拟数据集 192
5.2 使用scikit-learn样本生成器生成数据集 198
5.3 访问scikit-learn自带数据文件 206
5.4 访问外部数据文件 210
5.5 综合实例——加载boston数据集、另存为并重新访问 211
5.6 本章小结 214
5.7 习题 215
5.8 高手点拨 215
第6章 数据分析第二步——数据预处理 217
6.1 数据预处理的基础知识 218
6.1.1 一般流程和常用方法 218
6.1.2 标准化和正则化 219
6.1.3 特征选择 221
6.1.4 特征降维——主成分分析、线性判别分析 222
6.1.5 Pandas与scikit-learn数据预处理概述 227
6.2 使用scikit-learn进行数据预处理 228
6.2.1 使用sklearn对数据集进行Z-score标准化 228
6.2.2 使用sklearn对数据集进行极差标准化 232
6.2.3 使用sklearn对数据集正则化 235
6.2.4 使用sklearn对数据集二值化 238
6.2.5 使用sklearn进行缺失值插补 239
6.2.6 使用sklearn对分类特征编码 240
6.3 特征降维 242
6.3.1 PCA降维 242
6.3.2 LDA降维 247
6.3.3 TSNE降维 250
6.4 综合实例——breast_cancer数据集预处理 253
6.5 本章小结 258
6.6 习题 259
6.7 高手点拨 259
第三篇 机器学习算法篇
第7章 回归分析 261
7.1 回归分析及常用方法 262
7.1.1 线性回归 262
7.1.2 逻辑回归 263
7.1.3 多项式回归 263
7.1.4 逐步回归 263
7.1.5 岭回归 263
7.1.6 套索回归 264
7.1.7 弹性网络回归 264
7.2 线性回归理论基础 264
7.3 使用scikit-learn进行线性回归 266
7.4 使用scikit-learn进行岭回归 271
7.5 使用scikit-learn进行逻辑回归 274
7.6 使用scikit-learn进行多项式回归 280
7.6.1 单特征数据集多项式回归 280
7.6.2 多特征数据集多项式回归 285
7.7 综合实例——波士顿房价数据集回归分析 291
7.8 本章小结 295
7.9 习题 296
7.10 高手点拨 296
第8章 分类算法——决策树学习 297
8.1 决策树算法基础 298
8.1.1 信息熵、信息增益、信息增益率 298
8.1.2 决策树算法 302
8.2 使用scikit-learn进行决策树学习 303
8.3 综合实例——使用决策树对鸢尾花数据集iris进行分类 314
8.4 本章小结 319
8.5 习题 319
……