数字化转型背景下，Python作为一门简单、易学、速度快、免费、开源的主流编程语言，广泛应用于大数据处理、人工智能、云计算等各个领域，是众多高等院校学生的必修基础课程，也是堪与Office办公软件应用比肩的职场人士的必备技能。同时随着数据存储、数据处理等大数据技术的快速进步，机器学习的各种算法在各行各业得以广泛应用，同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”有机结合，推动数字化人才的培养，提升人才的实践应用能力。
全书内容共17章。第1、2章介绍Python的入门知识和进阶知识；第3章介绍机器学习的概念及各种术语及评价标准；第4～10章介绍相对简单的监督式学习方法，包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶斯算法、高维数据惩罚回归算法、K近邻算法；第11、12章介绍主成分分析算法、聚类分析算法两种非监督式学习算法；第13～15章介绍相对复杂的监督式学习算法，包括决策树算法和随机森林算法、提升法两种集成学习算法；第16、17章介绍支持向量机算法、神经网络算法两种高级监督式学习算法。
本书可以作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python或机器学习应用的专业教材、参考书；也可以作为企事业单位数字化人才培养的教科书、工具书，还可以作为职场人士自学掌握Python机器学习应用、提升数据挖掘分析能力进而提高工作效能和改善绩效水平的工具书。

第1章 Python入门知识
1.1 Python简介与本书的教学理念
1.2 Python的下载与安装
1.2.1 下载Python（Anaconda平台）
1.2.2 安装Python（Anaconda平台）
1.2.3 Anaconda Prompt（Anaconda3）
1.2.4 Spyder（Anaconda3）的介绍及偏好设置
1.2.5 Spyder（Anaconda3）窗口介绍
1.3 Python注释、基本输入与输出
1.3.1 Python的注释
1.3.2 print函数
1.3.3 input函数
1.4 Python变量和数据类型
1.4.1 Python的保留字与标识符
1.4.2 Python的变量
1.4.3 Python的基本数据类型
1.4.4 Python的数据运算符
1.5 Python序列
1.5.1 索引（Indexing）
1.5.2 切片（Slicing）
1.5.3 相加（Adding）
1.5.4 相乘（Multiplying）
1.5.5 元素检查
1.5.6 与序列相关的内置函数
1.6 Python列表
1.6.1 列表的基本操作
1.6.2 列表元素的基本操作
1.6.3 列表推导式
1.7 Python元组
1.7.1 元组的基本操作
1.7.2 元组元素的基本操作
1.7.3 元组推导式
1.8 Python字典
1.8.1 字典的基本操作
1.8.2 宇典元素的基本操作
1.8.3 字典推导式
1.9 Python集合
1.10 Python字符串
1.11 习题
第2章 Python进阶知识
2.1 Python流程控制语句
2.1.1 选择语句
2.1.2 循环语句
2.1.3 跳转语句
2.2 Python函数
2.2.1 函数的创建和调用
2.2.2 参数的相关概念与操作
2.2.3 变量的作用域
2.3 Python模块和包
2.3.1 模块的创建和导入
2.3.2 包的创建和使用
2.4 Python numpy模块中的数组
2.4.1 数组的创建
2.4.2 数组的计算
2.4.3 使用数组开展矩阵运算
2.4.4 数组的排序、索引和切片
2.5 Python pandas模块中的序列与数据框
2.5.1 序列的相关操作
2.5.2 数据框的相关操作
2.6 Python对象与类
2.6.1 类的定义
2.6.2 定义适用于类对象的方法
2.6.3 子类从父类继承
2.7 Python数据读取
2.7.1 读取文本文件（CSV或者TXT文件）
2.7.2 读取EXCEL数据
2.7.3 读取SPSS数据
2.7.4 读取Stata数据
……
第3章 机器学习介绍
第4章 线性回归算法
第5章 二元Logistic回归算法
第6章 多元Logistic回归算法
第7章 判别分析算法
第8章 朴素贝叶斯算法
第9章 高维数据惩罚回归算法
第10章 K近邻算法
第11章 主成分分析算法
第12章 聚类分析算法
第13章 决策树算法
第14章 随机森林算法
第15章 提升法
第16章 支持向量机算法
第17章 神经网络算法