本书围绕scikit-learn库，详细介绍机器学习模型、算法、应用场景及其案例实现方法，通过对相关算法循序渐进的讲解，带你轻松踏上机器学习之旅。本书采用理论与实践相结合的方式，结合Python3语言的强大功能，以最小的编程代价来实现机器学习算法。本书配套PPT课件、案例源码、数据集、开发环境与答疑服务。
本书共分13章，内容包括机器学习的基础理论、模型范式、策略、算法以及机器学习的应用开发，涵盖特征提取、简单线性回归、k近邻算法、多元线性回归、逻辑回归、朴素贝叶斯、非线性分类、决策树回归、随机森林、感知机、支持向量机、人工神经网络、K均值算法、主成分分析等热点研究领域。
本书可以作为机器学习初学者、研究人员或从业人员的参考书，也可以作为计算机科学、大数据、人工智能、统计学和社会科学等专业的大学生或研究生的教材。

第1章 机器学习概述
1.1 什么是机器学习
1.2 机器学习的作用领域
1.3 机器学习的分类
1.4 机器学习理论基础
1.5 机器学习应用开发的典型步骤
1.6 本章小结
1.7 复习题
第2章 机器学习之数据特征
2.1 数据的分布特征
2.1.1 数据分布集中趋势的测度
2.1.2 数据分布离散程度的测定
2.1.3 数据分布偏态与峰度的测定
2.2 数据的相关性
2.2.1 相关关系
2.2.2 相关分析
2.3 数据的聚类性
2.4 数据主成分分析
2.4.1 主成分分析的原理及模型
2.4.2 主成分分析的几何解释
2.4.3 主成分的导出
2.4.4 证明主成分的方差是依次递减的
2.4.5 主成分分析的计算
2.5 数据动态性及其分析模型
2.5.1 动态数据及其特点
2.5.2 动态数据分析模型分类
2.5.3 平稳时间序列建模
2.6 数据可视化
2.7 本章小结
2.8 复习题
第3章 用scikit-learn估计器分类
3.1 scikit-learn基础
3.1.1 sklearn包含的机器学习方式
3.1.2 sklearn的强大数据库
3.1.3 sklearm datasets构造数据
3.2 scikit-learn估计器
3.2.1 sklearn估计器的类别
3.2.2 sklearn分类器的比较
3.3 本章小结
3.4 复习题
第4章 朴素贝叶斯分类
4.1 算法原理
4.1.1 朴素贝叶斯算法原理
4.1 ,2朴素贝叶斯分类法
4.1.3 拉普拉斯校准
4.2 朴素贝叶斯分类
4.2.1 高斯朴素贝叶斯
4.2.2 伯努利朴素贝叶斯
4.2.3 多项式朴素贝叶斯
4.3 朴素贝叶斯分类实例
4.4 朴素贝叶斯连续值的处理
4.5 本章小结
4.6 复习题
第5章 线性回归
5.1 简单线性回归模型
5.1.1 一元线性回归模型
5.1.2 损失函数
5.1.3 梯度下降算法
5.1.4 二元线性回归模型
5.1.5 多元线性回归模型
5.2 分割数据集
5.2.1 训练集和测试集
5.2.2 验证集
5.3 用简单线性回归模型预测考试成绩
5.3.1 创建数据集并提取特征和标签
5.3.2 模型训练
5.4 本章小结
5.5 复习题
第6章 用k近邻算法分类和回归
6.1 k近邻算法模型
6.1.1 k近邻算法的原理
6.1.2 距离的度量
6.1.3 算法的优缺点及算法的变种
6.2 用k近邻算法处理分类问题
6.3 用k近邻算法对莺尾花进行分类
6.3.1 导入数据集
6.3.2 模型训练
6.4 用k近邻算法进行回归拟合
6.5 本章小结
6.6 复习题
第7章 从简单线性回归到多元线性回归
7.1 多变量的线性模型
7.1.1 简单线性回归模型
7.1.2 多元线性回归模型的预测函数
7.1.3 向量形式的预测函数
7.1.4 向量形式的损失函数
7.1.5 梯度下降算法
7.2 模型的优化
7.2.1 数据归一化
7.2.2 欠拟合和过拟合
7.2.3 正则化
7.2.4 线性回归与多项式
7.2.5 查准率和召回率
7.3 用多元线性回归模型预测波士顿房价
7.3.1 导入波士顿房价数据
7.3.2 模型训练
7.3.3 模型优化
7.3.4 学习曲线
7.4 本章小结
7.5 复习题
第8章 从线性回归到逻辑回归
8.1 逻辑回归模型
8.1.1 基本公式
8.1.2 逻辑回归算法的代价函数
8.1.3 逻辑回归算法的损失函数
8.1.4 梯度下降算法
8.2 多元分类问题
8.2.1 OVR
8.2.2 softmax函数
8.3 正则化项
8.3.1 线性回归的正则化
8.3.2 逻辑回归的正则化
8.4 模型优化
8.4.1 判定边界
8.4.2 L1和L2的区别
8.5 用逻辑回归算法处理二分类问题
8.5.1 导入数据集
8.5.2 模型训练
8.5.3 学习曲线
8.6 识别手写数字的多元分类问题
8.6.1 导入数据集
8.6.2 模型训练
8.6.3 模型优化
8.7 本章小结
8.8 复习题
第9章 非线性分类和决策树回归
9.1 决策树的特点
9.2 决策树分类
9.3 决策树回归
9.4 决策树的复杂度及使用技巧
9.5决策树算法：ID3、C4.5和CART
9.5.1 ID3算法
9.5.2 C4.5算法
9.5.3 CART算法
9.6 本章小结
9.7 复习题
第10章 集成方法：从决策树到随机森林
10.1 Bagging元估计器
10.2 由随机树组成的森林
10.2.1 随机森林
10.2.2 极限随机树
10.2.3 参数
10.2.4 并行化
10.2.5 特征重要性评估
10.3 AdaBoost
10.3.1 AdaBoost算法
10.3.2 AdaBoost使用方法
10.4 梯度提升回归树
10.4.1 分类
10.4.2 回归
10.4.3 训练额外的弱学习器
10.4.4 控制树的大小
10.4.5 数学公式
10.4.6 正则化
10.4.7 投票分类器
10.4.8 投票回归器
10.5 本章小结
10.6 复习题
第11章 从感知机到支