1.闡述機器學習的基礎知識2.介紹機器學習的主要模型3.基於模型實現機器學習繫統4.本書理論、實踐示例和解決方案三者相輔相成，旨在幫助機器學習的初學者能夠基於理論實現並使用性能強勁的機器學習繫統。

●第一部分機器學習基礎知識
第1章開始機器學習2
1.1機器學習簡介2
1.2理解機器學習的背景知識3
1.2.1數學（線性代數、微分、統計和概率）3
1.2.2編程4
1.3機器學習發展史4
1.3.1機器學習的歷史與現狀4
1.3.2機器學習的三大學派6
1.4機器學習的分類7
1.4.1監督學習、無監督學習、強化學習8
1.4.2監督學習的詳細分類9
1.4.3無監督學習詳細分類10
1.4.4深度學習11
1.5小結11
第2章機器學習主要概念12
2.1模型：觀察問題的角度12
2.1.1模型的定義13
2.1.2簡單模型14
2.1.3復雜模型15
2.1.4結構模型16
2.1.5好模型的定義17
2.2損失函數：模型的公式化學習目標19
2.2.1算術損失函數20
2.2.2概率損失函數21
2.2.3排序損失函數23
2.2.4模型復雜度與相關損失函數24
2.3優化：實際訓練的方法25
2.3.1梯度下降法26
2.3.2牛頓/擬牛頓法28
2.3.3隨機梯度下降法28
2.3.4反向傳播30
2.3.5近期新的優化方法31
2.4模型評估：實際運用中的性能評估方法31
2.4.1模型的泛化特征評估31
2.4.2準確率32
2.4.3準確率與召回率33
2.4.4排序評估34
2.5小結35
第二部分機器學習的主要模型
第3章數據與問題38
3.1數據類型38
3.1.1文本數據38
3.1.2數值數據39
3.1.3圖像數據39
3.1.4音頻數據40
3.1.5混合數據40
3.2數據量與數據質量40
3.2.1數據量與機器學習的相關性40
3.2.2數據質量與機器學習的相關性41
3.3數據標準化42
3.3.1數值數據標準化42
3.3.2分類數據標準化44
3.3.3序數數據標準化44
3.4問題類型45
3.4.1回歸45
3.4.2分類46
3.4.3聚類問題46
3.4.4表征學習（嵌入學習）47
3.5小結48
第4章利用購買歷史數據構建用戶群49
4.1聚類49
4.2K中心點聚類50
4.3層次聚類53
4.4基於密度的聚類56
4.5計算相似度57
4.5.1閔氏距離58
4.5.2馬氏距離59
4.6小結61
第5章構建文本分析繫統62
5.1構建文本分類繫統62
5.1.1文本分類的常用特征62
5.1.2利用特征進行分類操作65
5.2主題建模69
5.3語法分析71
5.3.1詞性標注71
5.3.2命名實體識別74
5.4詞嵌入學習——word2vec75
5.5小結78
第6章構建電影推薦繫統79
6.1電影推薦繫統79
6.2相似度運算80
6.2.1傑卡德繫數80
6.2.2餘弦相似度81
6.2.3編輯距離82
6.3基於內容的推薦繫統83
6.4協同過濾84
6.4.1均方根誤差85
6.4.2基於用戶/商品的協同過濾86
6.4.3隱因子模型87
6.5標準化90
6.6小結91
第7章構建圖像識別繫統92
7.1圖像處理基本概念92
7.1.1像素92
7.1.2濾波93
7.1.3卷積95
7.2圖像識別97
7.2.1圖像分類98
7.2.2圖像檢測98
7.3用於圖像識別的特征99
7.3.1輪廓線99
7.3.2角點100
7.3.3SIFT103
7.3.4主成分分析105
7.4利用深度學習進行圖像識別107
7.4.1關於CNN107
7.4.2卷積層108
7.4.3池化109
7.4.4激活函數110
7.4.5全連接層111
7.5小結112
第8章解決機器學習中的多種問題113
8.1模型問題113
8.1.1過度學習113
8.1.2如何更輕松地找到好模型119
8.2數據問題121
8.2.1數據量過大121
8.2.2數據量過少123
8.2.3數據略微傾斜124
8.3速度問題126
8.3.1向量運算126
8.3.2機器學習高效運行繫統128
8.3.3分布式處理128
8.4小結129
第三部分機器學習繫統應用
第9章機器學習軟件簡介132
9.1安裝Python與庫132
9.2有名數據庫簡介133
9.2.1機器學習庫133
9.2.2深度學習庫134
9.2.3與計算相關的庫136
9.3本書使用的工具包136
9.3.1Scikit-learn137
9.3.2TensorFlow140
9.4小結151
第10章利用購買歷史數據構建用戶群——實戰152
10.1數據集152
10.2數據預處理153
10.3K均值聚類160
10.4確定正確的簇數K161
10.4.1定量評估161
10.4.2定性評估164
10.5分層聚類法168
10.6小結173
第11章構建文本分析繫統——實戰174
11.1構建垃圾短信過濾器（文本分類）174
11.1.1用於示例的數據處理174
11.1.2通過特征分類179
11.2構建主題模型繫統182
11.3構建詞性分析繫統184
11.4構建專有名詞標記繫統185
11.5小結187
第12章構建電影推薦繫統——實戰188
12.1數據集188
12.2數據預處理189
12.3構建基於內容的電影推薦繫統192
12.4構建基於協同過濾的電影推薦繫統198
12.4.1實現奇異值分解198
12.4.2實現梯度下降法203
12.4.3評估近似結果205
12.5小結209
第13章構建圖像識別繫統——實戰210
13.1圖像數據的K均值聚類210
13.2以主成分分析進行人臉識別213
13.3運用CNN進行手寫數字分類223
13.3.1生成特征224
13.3.2訓練與測試228
13.4小結234

本書作者曾就職美國谷歌公司和日本樂天集團，有著多年的機器學習開發經驗。本書理論與實踐相結合，通過直觀具體、易於理解的圖表、示例和代碼，既講述了有助機器學習入門者輕松、準確掌握的基礎概念，也涵蓋了機器學習開發者在不確定概念時可以查看的核心內容。書中列舉的大量機器學習應用程序實例，即便不具備數學和統計學知識也能輕松閱讀，進而熟悉機器學習的基本概念。