本书作为机器学习的入门书，涉及机器学习基础知识的各方面内容。对于常用的算法，本书首先介绍其基本思想和具体实现步骤，然后讲解其在具体案例中的应用，让读者对算法有一个直观的认识。
本书共包含11章内容，具体安排为：第1章讲解机器学习的基础知识；第2～6章讲解监督学习中常用的分类算法；第7章讲解监督学习中常用的回归算法；第8章介绍神经网络，其既可以用于分类，又可以用于回归；第9～10章讲解无监督学习中的常用算法；第11章介绍通过降维技术来简化数据。
本书可以作为高等院校计算机相关专业的本科生教材。

第1章 绪论
1.1 机器学习定义
1.2 机器学习发展历程
1.3 机器学习分类
1.3.1 有监督学习
1.3.2 分类模型评判指标
1.3.3 无监督学习
1.3.4 增强学习
1.4 实验环境介绍
1.4.1 语言的选择
1.4.2 Python的安装
1.4.3 PyCharm编辑器
1.5 本章小结
第2章 七近邻
2.1 k近邻算法介绍
2.2 入门实例
2.3 忌近邻算法的深入讨论
2.3.1 k值对结果的影响
2.3.2 相似程度的度量
2.3.3 决策策略
2.4 实际应用
2.4.1 KNeighborsClassifier类介绍
2.4.2 小试牛刀
2.4.3 实战演示
2.5 本章小结
第3章 决策树
3.1 决策树算法介绍
3.2 构建决策树的方法
3.2.1 信息熵
3.2.2 信息增益
3.2.3 ID3算法
3.2.4 C4.5算法
3.2.5 CART算法
3.3 模型评估方法
3.3.1 保留法
3.3.2 k折交叉验证法
3.3.3 自助法
3.4 实际应用
3.4.1 DecisionTreeClassifier类介绍
3.4.2 小试牛刀
3.4.3 实战演示
3.5 本章小结
第4章 朴素贝叶斯
4.1 贝叶斯定理
4.2 朴素贝叶斯算法介绍
4.3 入门实例
4.4 Laplace修正
4.5 实际应用
4.5.1 GussianNB类介绍
4.5.2 小试牛刀
4.5.3 实战演示
4.6 本章小结
第5章 支持向量机
5.1 支持向量机算法介绍
……
第6章 AdaBoost
第7章 线性回归
第8章 神经网络
第9章 k-means
第10章 Apriori关联分析
第11章 PCA降维
参考文献
附录A 线性代数基础
附录B 概率论基础
附录C Python基础