本书主要讲解了机器学习算法的基础知识，以及业界常用算法的应用。其中，项目1介绍了机器学习的定义、类型、环境搭建以及开发步骤；项目2介绍了如何进行数据预处理，包含如何对获取的原始数据进行处理、数据集的划分、数据的归一化，以及如何使用主成分分析来提取数据的主要特征等内容；其他8个项目主要介绍了目前主流的机器学习算法。每个项目均介绍了要讲解的算法的原理、步骤、特点，再通过具体的案例对算法的原理知识展开详细的讲解，并将算法应用于实际的场景中，加深读者对算法的理解。
本书可作为高等院校大数据技术、人工智能技术等相关专业的基础教材，也适合对机器学习感兴趣的读者自学。

项目1 走进机器学习的世界
任务1-1 了解机器学习应用场景
任务1-2 机器学习算法的分类方式
任务1-3 软件库与框架
任务1-4 配置机器学习开发环境
任务1-5 了解机器学习步骤
项目小结
练习题
项目2 数据预处理
任务2-1 数据划分与归一化
任务2-2 重复值、缺损值和异常值处理
任务2-3 实现PCA图像去噪
项目小结
练习题
项目3 基于K-Means算法的应用实践
任务3-1 使用K-Means算法实现聚类手写图像
任务3-2 实现身高、体重聚类
任务3-3 使用K-Means算法实现图像压缩
项目小结
练习题
项目4 基于KNN算法的应用实践
任务4-1 使用KNN算法实现鸢尾花分类
任务4-2 使用KNN回归算法预测鞋码
任务4-3 使用KNN算法实现乳腺癌预测
项目小结
练习题
项目5 基于线性回归算法的应用实践
任务5-1 使用一元线性回归算法实现直线拟合
任务5-2 使用多元线性回归算法实现波士顿房价预测
任务5-3 使用多项式扩展实现曲线预测
项目小结
练习题
项目6 基于逻辑回归算法的应用实践
任务6-1 使用逻辑回归算法检测信用卡欺诈
任务6-2 使用逻辑回归算法解决数据不平衡问题
任务6-3 使用逻辑回归算法处理鸢尾花分类问题
项目小结
练习题
项目7 基于决策树算法的应用实践
任务7-1 使用决策树算法实现鸢尾花分类
任务7-2 使用决策树回归算法实现曲线预测
任务7-3 使用决策树算法预测波士顿房价
项目小结
练习题
项目8 基于支持向量机算法的应用实践
任务8-1 使用支持向量机算法处理二维数据分类问题
任务8-2 使用支持向量机算法处理高维数据分类问题
任务8-3 使用SVM回归算法预测曲线预测和波士顿房价
项目小结
练习题
项目9 基于神经网络算法实现曲线拟合
任务9-1 人工神经网络反向传播计算
任务9-2 使用人工神经网络算法拟合函数
任务9-3 使用人工神经网络算法实现鸢尾花分类
项目小结
练习题
项目10 基于AdaBoost算法的应用实践
任务10-1 使用AdaBoost算法原理知识进行分类器计算
任务10-2 使用AdaBoost算法实现鸢尾花分类问题
任务10-3 使用AdaBoost算法实现人脸识别
任务10-4 使用AdaBoost算法实现曲线预测
项目小结
练习题
参考文献