學習機器學習和數據挖掘，就必須學習sckit-learn。本書對每種算法給出了具體的實例，由淺入深、循序漸進，敘述淺顯易懂，並配以大量的圖片和代碼，形像化地把技術內容呈現給讀者，使讀者快速理解、掌握每個知識點，有效降低學習門檻。實為學習sckit-learn的非常合適的入門圖書。

●緒論
1 回歸模型
1.1 回歸算法分類
1.1.1 一般線性回歸
1.1.2 廣義線性回歸
1.1.3 非線性回歸
1.2 回歸模型的度量指標
1.3 樣本權重繫數的理解
2 線性回歸模型
2.1 普通最小二乘法
2.2 嶺回歸（L2正則化回歸）
2.2.1 嶺回歸評估器
2.2.2 嶺跡曲線
2.2.3 交叉驗證嶺回歸評估器
2.3 Lasso回歸（L1正則化回歸）
2.3.1 Lasso回歸評估器
2.3.2 Lasso路徑
2.3.3 交叉驗證Lasso回歸評估器
2.3.4 多任務Lasso回歸
2.3.5 最小角Lasso回歸
2.4 彈性網絡回歸
2.4.1 彈性網絡回歸評估器
2.4.2 交叉驗證彈性網絡回歸評估器
2.4.3 多任務彈性網絡回歸評估器
2.4.4 交叉驗證多任務彈性網絡回歸評估器
2.5 正交匹配追蹤回歸
2.6 貝葉斯線性回歸
2.7 廣義線性回歸
2.8 隨機梯度下降回歸
2.9 被動攻擊回歸
2.10 魯棒回歸
2.10.1 隨機抽樣一致性回歸
2.10.2 泰爾-森回歸
2.10.3 胡貝爾回歸
2.11 多項式回歸
3 非線性回歸模型
3.1 支持向量機回歸
3.2 核嶺回歸
3.3 最近鄰回歸
3.3.1 算法簡介
3.3.2 距離度量指標
3.3.3 最近鄰回歸評估器
3.4 高斯過程回歸
3.5 決策樹
3.5.1 決策樹模型算法簡介
3.5.2 決策樹回歸評估器
3.6 神經網絡模型
3.7 保序回歸
4 分類模型
4.1 廣義線性回歸分類與非線性分類模型
4.2 分類模型的度量指標
5 線性分類模型
5.1 嶺分類
5.2 邏輯回歸分類
5.3 隨機梯度下降分類
5.4 感知機
5.5 被動攻擊分類
6 非線性分類模型
6.1 支持向量機分類
6.1.1 支持向量分類評估器SVC
6.1.2 支持向量分類評估器NuSVC
6.1.3 支持向量分類評估器LinearSVC
6.2 最近鄰分類
6.2.1 K最近鄰分類評估器KNeighborsClassifier
6.2.2 徑向基最近鄰分類評估器
6.3 高斯過程分類
6.4 樸素貝葉斯模型
6.4.1 樸素貝葉斯算法
6.4.2 樸素貝葉斯分類
6.5 決策樹分類
6.6 神經網絡分類
7 無監督學習及模型
7.1 聚類
7.1.1 聚類算法簡介
7.1.2 聚類模型
7.2 雙聚類
7.2.1 譜聯合聚類
7.2.2 譜雙聚類
8 半監督學習及模型
8.1 標簽傳播算法
8.2 標簽蔓延算法
8.3 自訓練分類器

本書主要內容包括普通最小二乘法回歸、嶺回歸、Lasso回歸、彈性網絡回歸、正交匹配追蹤回歸、貝葉斯回歸、廣義線性回歸、隨機梯度下降回歸、被動攻擊回歸、魯棒回歸、多項式回歸、支持向量機回歸、核嶺回歸、最近鄰回歸、高斯過程回歸、決策樹、神經網絡模型、保序回歸、嶺分類、邏輯回歸分類、隨機梯度下降分類、感知機、被動攻擊分類、支持向量機分類、最近鄰分類、高斯過程分類、樸素貝葉斯模型、決策樹分類和神經網絡分類、無監督學習、半監督學習等。全書結合具體實例和圖表詳細講解，語言通俗，易於學習，適合機器學習和數據挖掘專業人員和人工智能愛好者閱讀，也可作為高等院校人工智能專業教材。