本书以scikit-learn和Keras框架作为实战平台，讲解了传统机器学习的主流技术和最新深度学习的研究成果。其中，“第一篇传统机器学习”包括第1～10章，介绍了机器学习概念、监督学习算法（回归分析、Logistic回归、k近邻、决策树、朴素贝叶斯、支持向量机、神经网络）、无监督学习算法（聚类、降维）；“第二篇深度学习”包括第11～15章，介绍了深度学习的概念、卷积神经网络、循环神经网络、生成对抗网络和强化学习等。本书的编写旨在体现“做中学”理念，读者在学习初期不必过多纠缠于算法理论，而是通过实际案例快速入门，进而激发兴趣，自主完善理论学习，最终顺利跨入人工智能的殿堂。本书可以作为高校数据科学与大数据技术、人工智能等专业的教材，也可以作为致力于开展人工智能研究的读者快速入门的参考资料。

第一篇 传统机器学习
第1章 机器学习概述
1.1 机器学习概念
1.1.1 什么是机器学习
1.1.2 机器学习有什么用
1.1.3 机器学习的分类
1.2 机器学习理论基础
1.2.1 过拟合和欠拟合
1.2.2 损失函数
1.2.3 模型性能度量方法
1.2.4 学习曲线
1.2.5 算法模型性能优化
1.3 scikit-learn简介
1.3.1 关于scikit-learn
1.3.2 安装scikit-learn
1.3.3 scikit-learn数据集
习题
参考文献
第2章 回归分析
2.1 一元线性回归
2.1.1 一元线性回归的实现
2.1.2 解一元线性回归的最小二乘法
2.1.3 模型评估
2.2 多元线性回归
2.3 多项式回归
习题
参考文献
第3章 Logistic回归
3.1 分类问题概述
3.2 Logistic回归分类
3.2.1 Logistic回归算法的原理
3.2.2 Logistic回归算法实例
3.3 Softmax回归——多元分类问题
习题
参考文献
第4章 k近邻
4.1 k近邻算法原理
4.1.1 KNN算法三要素
4.1.2 KNN算法之蛮力实现原理
4.1.3 KNN算法之KD树实现原理
4.1.4 KNN算法之球树实现原理
4.1.5 KNN算法的扩展
4.1.6 KNN算法小结
4.2 用scikit-learn实现KNN算法
习题
参考文献
第5章 决策树
5.1 决策树分类原理
5.2 决策树的学习过程
5.3 ID3算法的数学原理
5.3.1 什么是信息增益
5.3.2 ID3树中最优划分属性计算举例
5.4 scikit-learn决策树算法实现
5.5 决策树可视化
习题
参考文献
第6章 朴素贝叶斯
6.1 基本原理
6.1.1 贝叶斯定理
6.1.2 朴素贝叶斯分类器
6.2 朴素贝叶斯三种基本模型
6.3 朴素贝叶斯的应用及特点
6.3.1 朴素贝叶斯常见的四种应用
6.3.2 朴素贝叶斯的优缺点
6.3.3 提升朴素贝叶斯性能的技巧
习题
参考文献
第7章 支持向量机
7.1 支持向量机原理
7.1.1 支持向量机定义
7.1.2 线性可分性
7.1.3 损失函数
7.1.4 经验风险与结构风险
7.2 标准算法
7.2.1 线性SVM
7.2.2 非线性SVM
7.3 scikit-learn SVM分类算法实现
7.3.1 算法简单实现
7.3.2 算法的优化
习题
参考文献
第8章 神经网络
8.1 神经网络概述
8.1.1 神经元模型
8.1.2 感知机
8.1.3 神经网络
8.1.4 梯度下降法与反向传播
8.2 scikit-learn神经网络分类算法实现
习题
参考文献
第9章 聚类
9.1 聚类概述
9.1.1 K-Means聚类算法
9.1.2 均值漂移聚类
9.1.3 基于密度的聚类方法（DBSCAN）
9.1.4 基于高斯混合模型（GMM）的期望最大化（EM）聚类
9.1.5 凝聚层次聚类
9.2 scikit-learn聚类算法的实现
习题
参考文献
第10章 降维
10.1 降维方法概述
10.1.1 主成分分析（PCA）
10.1.2 线性判别分析（LDA）
10.1.3 局部线性嵌入（LLE）
10.1.4 拉普拉斯特征映射（LE）
10.2 scikit-learn降维算法实现
习题
参考文献
第二篇 深度学习
第11章 深度学习概述
11.1 深度学习的概念
11.2 深度学习的分类及特点
11.2.1 深度学习的分类
11.2.2 深度学习的特点
11.3 深度学习的历史及发展
11.4 深度学习的应用
11.5 Keras简介
11.5.1 Keras深度学习库
11.5.2 Keras安装
11.5.3 Keras举例
习题
参考文献
第12章 卷积神经网络
12.1 卷积与池化操作
12.1.1 卷积层
12.1.2 池化层
12.2 典型的CNN架构
12.2.1 LeNet
12.2.2 AlexNet
12.2.3 GoogLeNet
12.2.4 ResNet
12.3 使用Keras搭建卷积神经网络
习题
参考文献
第13章 循环神经网络
13.1 RNN
13.2 LSTM
13.3 循环神经网络案例
习题
参考文献
第14章 生成对抗网络
14.1 生成对抗网络结构
14.1.1 生成对抗网络模型原理
14.1.2 生成对抗网络优化原理
14.1.3 模型训练
14.1.4 对抗网络的改进模型
14.2 生成对抗网络的构建
14.2.1 生成模型的构建
14.2.2 判别模型的构建
14.2.3 条件生成对抗网络的构建
14.3 生成对抗网络案例
14.3.1 生成模型
14.3.2 判别模型
14.3.3 模型训练
习题
参考文献
第15章 强化学习
15.1 问题概述
15.2