項目任務驅動，實踐案例豐富； 活頁式教材，配套課程資源豐富； 融入職業素養教育，學習門檻低；Python語言編寫，符合主流市場；圖解式教學，讓高深的技術知識寓教於樂

●項目1 機器學習認知
1.1 項目知識準備
1.1.1 什麼是機器學習
1.1.2 機器學習的應用場景
1.1.3 機器學習的流程
1.1.4 機器學習的分類
1.1.5 過擬合和欠擬合
1.1.6 衡量機器學習模型的指標
1.2 項目實訓
1.2.1 搭建機器學習開發環境——Anaconda
1.2.2 Jupyter Notebook的使用操作
1.2.3 NumPy的基本使用
1.2.4 pandas的基本使用
1.2.5 Matplotlib的基本使用
1.3 項目拓展——查看機器學習常用數據集
1.4 項目小結
1.5 習題
項目2 紅酒數據集可視化——數據預處理
2.1 項目知識準備
2.1.1 數據處理
2.1.2 數據降維
2.1.3 數據集拆分
2.2 項目實訓
2.2.1 數據標準化處理
2.2.2 數據離差標準化處理
2.2.3 數據二值化處理
2.2.4 數據歸一化處理
2.2.5 獨熱編碼處理
2.2.6 數據降維處理
2.3 項目拓展——紅酒數據集拆分、標準化和降維處理
2.4 項目小結
2.5 習題
項目3 基於KNN算法的分類模型
3.1 項目知識準備
3.1.1 KNN算法的原理
3.1.2 KNN算法的流程
3.1.3 KNN算法的關鍵
3.2 項目實訓
3.2.1 KNN算法完成分類任務
3.2.2 KNN算法實戰——酒的分類
3.3 項目拓展——輔助診斷乳腺腫瘤
3.4 項目小結
3.5 習題
項目4 基於線性回歸算法的預測模型
4.1 項目知識準備
4.1.1 什麼是線性回歸
4.1.2 損失函數
4.1.3 嶺回歸模型
4.1.4 套索回歸模型
4.2 項目實訓
4.2.1 線性回歸模型的應用
4.2.2 波士頓房價預測
4.2.3 嶺回歸模型的應用
4.2.4 套索回歸模型的應用
4.3 項目拓展——糖尿病患者病情預測
4.4 項目小結
4.5 習題
項目5 基於邏輯回歸算法的分類模型
5.1 項目知識準備
5.1.1 邏輯回歸算法的基本原理
5.1.2 LogisticRegression邏輯回歸分類器
5.2 項目實訓
5.2.1 邏輯回歸算法預測考試是否及格
5.2.2 邏輯回歸算法實現鳶尾花
5.3 分類項目拓展——判斷腫瘤是良性還是惡性
5.4 項目小結
5.5 習題
項目6 基於樸素貝葉斯算法的分類模型
6.1 項目知識準備
6.1.1 樸素貝葉斯原理
6.1.2 伯努利樸素貝葉斯算法
6.1.3 高斯樸素貝葉斯算法
6.1.4 多項式樸素貝葉斯算法
6.2 項目實訓
6.2.1 伯努利樸素貝葉斯模型實現
6.2.2 天氣預測高斯樸素貝葉斯模型實現連續值的分類
6.2.3 多項式樸素貝葉斯模型實現離散特征的分類
6.3 項目拓展——估算個人收入等級
6.4 項目小結
6.5 習題
項目7 基於決策樹與隨機森林算法的預測模型
7.1 項目知識準備
7.1.1 決策樹的基本原理和構造
7.1.2 隨機森林的基本原理和構造
7.2 項目實訓
7.2.1 用決策樹判斷西瓜的好壞
7.2.2 決策樹和隨機森林實現酒分類的對比
7.3 項目拓展——波士頓房價預測
7.4 項目小結
7.5 習題
項目8 支持向量機
8.1 項目知識準備
8.1.1 支持向量機（SVM）的概念
8.1.2 支持向量機的核函數與參數選擇
8.2 項目實訓
8.2.1 用SVM完成鳶尾花分類任務
8.2.2 SVM算法實戰
8.3 項目拓展——波士頓房價分析
8.4 項目小結
8.5 習題
項目9 基於k-means算法的聚類模型
9.1 項目知識準備
9.1.1 聚類算法
9.1.2 K-means算法原理
9.1.3 k-means算法流程
9.1.4 k-means算法參數選擇
9.2 項目實訓
9.2.1 k-means算法應用及效果展示
9.2.2 K-means算法實現鳶尾花數據的聚類
9.3 項目拓展——航空公司客戶價值分析
9.4 項目小結
9.5 習題
項目10 神經網絡
10.1 項目知識準備
10.1.1 神經網絡的起源
10.1.2 神經網絡的原理
10.1.3 神經網絡的決策過程
10.2 項目實訓
10.2.1 神經網絡完成鳶尾花分類任務
10.2.2 神經網絡實例——手寫識別
10.3 項目拓展——良惡性腫瘤預測
10.4 項目小結
10.5 習題
項目11 模型評估與優化
11.1 項目知識準備
11.2 項目實訓
11.2.1 使用交叉驗證評估模型
11.2.2 使用網格搜索算法進行模型調參
11.2.3 分類模型的可信度評估
11.3 項目小結
11.4 習題

本書使用Python的機器學習算法庫scikit-learm講解機器學習重要算法的應用，內容包括機器學習認知、數據預處理、KNN算法、線性回歸算法、邏輯回歸算法、樸素貝葉斯算法、決策樹與隨機森林算法、支持向量機、k-means算法、神經網絡、模型評估與優化。本書使用通俗易懂的語言、豐富的圖表和大量的案例對機器學習的重要算法進行講解，提供一條從實踐出發掌握機器學習知識的途徑，讀者即使沒有很扎實的數學基礎也可快速入門，大大降低了學習門檻。本書是項目驅動式教材，算法原理講解深入淺出，實踐案例典型，配套課件、實戰案例、習題等課程資源豐富。本書可作為高等院校人工智能、大數據等相關專業的教材，也可供人工智能領域的技術人員或研究人員學習或參考。

張松慧,陳丹 編