本书以机器学习算法为主题，详细介绍算法的理论细节与应用方法。全书共19章，分别介绍了逻辑回归与最大熵模型、k-近邻模型、决策树模型、朴素贝叶斯模型、支持向量机模型、集成学习框架、EM算法、降维算法、聚类算法、神经网络模型等基础模型或算法，以及8个综合项目实例。本书重视理论与实践相结合，希望为读者提供全面而细致的学习指导。
本书适合机器学习初学者、相关行业从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读使用。

第1章 机器学习概述
1.1 机器学习的组成
1.2 分类问题及回归问题
1.3 监督学习、半监督学习和无监督学习
1.4 生成模型及判别模型
1.5 模型评估
1.5.1 训练误差及泛化误差
1.5.2 过拟合及欠拟合
1.6 正则化
1.7 Scikit-learn模块
1.7.1 数据集
1.7.2 模型选择
第2章 逻辑回归及最大熵模型
2.1 线性回归
2.1.1 一元线性回归
2.1.2 多元线性回归
2.2 广义线性回归
2.2.1 逻辑回归
2.2.2 多分类逻辑回归
2.2.3 交叉熵损失函数
2.3 最大熵模型
2.3.1 最大熵模型的导出
2.3.2 最大熵模型与逻辑回归之间的关系
2.4 评价指标
2.4.1 混淆矩阵
2.4.2 准确率
2.4.3 精确率与召回率
2.4.4 PR曲线
2.4.5 ROC曲线与AUC曲线
2.5 实例：基于逻辑回归实现乳腺癌预测
第3章 k-近邻算法
3.1 k值的选取
3.2 距离的度量
3.3 快速检索
3.4 实例：基于k-近邻算法实现鸢尾花分类
第4章 决策树
4.1 特征选择
4.1.1 信息增益
4.1.2 信息增益比
4.2 决策树生成算法CART
4.3 决策树剪枝
4.3.1 预剪枝
4.3.2 后剪枝
4.4 实例：基于决策树实现葡萄酒分类
第5章 朴素贝叶斯分类器
5.1 极大似然估计
5.2 朴素贝叶斯分类
5.3 拉普拉斯平滑
5.4 朴素贝叶斯分类器的极大似然估计解释
5.5 实例：基于朴素贝叶斯实现垃圾短信分类
第6章 支持向量机
6.1 最大间隔及超平面
6.2 线性可分支持向量机
6.3 线性支持向量机
6.4 合页损失函数
6.5 核技巧
6.6 二分类问题与多分类问题
6.6.1 一对一
6.6.2 一对多
6.6.3 多对多
6.7 实例：基于支持向量机实现葡萄酒分类
第7章 集成学习
7.1 偏差与方差
7.2 Bagging及随机森林
7.2.1 Bagging
7.2.2 随机森林
7.3 Boosting及AdaBoost
7.3.1 Boosting
7.3.2 AdaBoost
7.4 提升树
7.4.1 残差提升树
7.4.2 GBDT
7.4.3 XGBoost
7.5 Stacking
7.6 实例: 基于梯度下降树实现波士顿房价预测
第8章 EM算法及其应用
8.1 Jensen不等式
8.2 EM算法
8.3 高斯混合模型GMM
8.4 隐马尔可夫模型
8.4.1 计算观测概率的输出
8.4.2 估计隐马尔可夫模型的参数
8.4.3 隐变量序列预测
8.5 实例：基于高斯混合模型实现鸢尾花分类
第9章 降维
9.1 主成分分析
9.1.1 方差即协方差的无偏估计
9.1.2 实例：基于主成分分析实现鸢尾花数据降维
9.2 奇异值分解
9.2.1 奇异值分解的构造
9.2.2 奇异值分解用于数据压缩
9.2.3 SVD与PCA的关系
9.2.4 奇异值分解的几何解释
9.2.5 实例：基于奇异值分解实现图片压缩
第10章 聚类
10.1 距离度量
10.1.1 闵可夫斯基距离
10.1.2 余弦相似度
10.1.3 马氏距离
10.1.4 汉明距离
10.2 层次聚类
10.3 K-Means聚类
10.4 K-Medoids聚类
10.5 DBSCAN
10.6 实例：基于K-Means实现鸢花聚类
第11章 神经网络与深度学习
11.1 神经元模型
11.2 多层感知机
11.3 损失函数
11.4 反向传播算法
11.4.1 梯度下降法
11.4.2 梯度消失及梯度爆炸
11.5 卷积神经网络
11.5.1 卷积
11.5.2 池化
11.5.3 网络架构
11.6 循环神经网络
11.7 生成对抗网络
11.8 图卷积神经网络
11.9 深度学习发展
11.10 实例：基于卷积神经网络实现手写数字识别
11.10.1 MNIST数据集
11.10.2 基于卷积神经网络的手写数字识别
第12章 实战：基于K-Means算法的汽车行驶运动学片段的分类
12.1 样本聚类
12.1.1 SSE
12.1.2 轮廓分析
12.2 汽车行驶运动学片段的提取
12.3 基于K-Means的汽车行驶运动学片段分类
第13章 实战：从零实现朴素贝叶斯分类器用于垃圾信息识别
13.1 算法流程
13.2 数据集载入
13.3 朴素贝叶斯模型
13.3.1 构造函数设计
13.3.2 数据预处理
13.3.3 模型训练
13.3.4 测试集预测
13.3.5 主函数实现
第14章 实战：基于逻辑回归算法进行乳腺癌的识别
14.1 数据集加载
14.2 Logistic模块
14.3 模型评价
第15章 实战：基于线性回归、决策树和SVM进行鸢尾花分类
15.1 使用Logistic实现鸢尾花分类
15.2 使用决策树实现鸢尾花分类
15.3 使用SVM实现鸢尾花分类
第16章 实战：基于多层感知机模型和随机森林模型的波士顿房价预测
16.1 使用MLP实现波士顿房价预测
16.2 使用随机森林模型实现波士顿房价预测
第17章 实战：基于生成式对抗网络生成动漫人物
17.1 生成动漫人物任务概述
17.2 反卷积网络