本书采用理论与实践相结合的方式，引导读者以Python为工具，以机器学习为方法，进行数据的建模与分析。本书共13章，对机器学习的原理部分进行了深入透彻的讲解，对机器学习算法部分均进行了Python实现。除前两章外，各章都给出了可实现的实践案例，并全彩呈现数据可视化图形。
本书兼具知识的深度和广度，在理论上突出可读性，在实践上强调可操作性，实践案例具备较强代表性。随书提供全部案例的数据集、源代码、教学PPT、关键知识点，教学辅导视频，具备较高实用性。
本书既可以作为数据分析从业人员的参考书，也可作为高等院校数据分析、机器学习等专业课程的教材。
扫描关注机械工业出版社计算机分社官方微信订阅号—身边的信息学，回复67490即可获取本书配套资源下载链接。

薛薇，博士，中国人民大学应用统计研究中心专职研究员，中国人民大学统计学院副教授。主要开设课程：机器学习，计量经济学，统计软件，统计学。研究方向：机器学习与深度学习算法研究。基于顾客消费行为大数据的客户终身价值统计建模，以及营销与品牌大数据的机器学习算法应用。

前言
第1章 机器学习概述
1.1 机器学习的发展：人工智能中的机器学习
1.1.1 符号主义人工智能
1.1.2 基于机器学习的人工智能
1.2 机器学习的核心：数据和数据建模
1.2.1 机器学习的学习对象：数据集
1.2.2 机器学习的任务：数据建模
1.3 机器学习的典型应用
1.3.1 机器学习的典型行业应用
1.3.2 机器学习在客户细分中的应用
1.3.3 机器学习在客户流失分析中的应用
1.3.4 机器学习在营销响应分析中的应用
1.3.5 机器学习在交叉销售中的应用
1.3.6 机器学习在欺诈甄别中的应用
【本章总结】
【本章习题】
第2章 Python机器学习基础
2.1 Python：机器学习的首选工具
2.2 Python的集成开发环境：Anaconda
2.2.1 Anaconda的简介
2.2.2 Anaconda Prompt的使用
2.2.3 Spyder的使用
2.2.4 Jupyter Notebook的使用
2.3 Python第三方包的引用
2.4 NumPy使用示例
2.4.1 NumPy数组的创建和访问
2.4.2 NumPy的计算功能
2.5 Pandas使用示例
2.5.1 Pandas的序列和索引
2.5.2 Pandas的数据框
2.5.3 Pandas的数据加工处理
2.6 NumPy和Pandas的综合应用：空气质量监测数据的预处理和基本分析
2.6.1 空气质量监测数据的预处理
2.6.2 空气质量监测数据的基本分析
2.7 Matplotlib的综合应用：空气质量监测数据的图形化展示
2.7.1 AQI的时序变化特点
2.7.2 AQI的分布特征及相关性分析
2.7.3 优化空气质量状况的统计图形
【本章总结】
【本章相关函数】
【本章习题】
第3章 数据预测与预测建模
3.1 数据预测的基本概念
3.2 预测建模
3.2.1 什么是预测模型
3.2.2 预测模型的几何理解
3.2.3 预测模型参数估计的基本策略
3.3 预测模型的评价
3.3.1 模型误差的评价指标
3.3.2 模型的图形化评价工具
3.3.3 泛化误差的估计方法
3.3.4 数据集的划分策略
3.4 预测模型的选择问题
3.4.1 模型选择的基本原则
3.4.2 模型过拟合
3.4.3 预测模型的偏差和方差
3.5 Python建模实现
3.5.1 ROC和P-R曲线图的实现
3.5.2 模型复杂度与误差的模拟研究
3.5.3 数据集划分和测试误差估计的实现
3.5.4 模型过拟合以及偏差与方差的模拟研究
3.6 Python实践案例
3.6.1 实践案例1：PM2.5浓度的回归预测
3.6.2 实践案例2：空气污染的分类预测
【本章总结】
【本章相关函数】
【本章习题】
第4章 数据预测建模：贝叶斯分类器
第5章 数据预测建模：近邻分析
第6章 数据预测建模：决策树
第7章 数据预测建模：集成学习
第8章 数据预测建模：人工神经网络
第9章 数据预测建模：支持向量机
第10章 特征选择：过滤、包裹和嵌入策略
第11章 特征提取：空间变换策略
第12章 揭示数据内在结构：聚类分析
第13章 揭示数据内在结构：特色聚类