本书为深圳信息职业技术学院等高职院校与腾讯集团共同编写的高等职业教育人工智能技术应用专业校企“双元”合作系列教材之一，同时也是高等职业教育计算机类课程新形态一体化教材。

机器学习是人工智能的重要技术基础，本书介绍了机器学习的基础概念，Python工具包的使用，机器学习的工作流程，涵盖数据收集与预处理，回归、分类、聚类等经典模型构建，模型评估和优化，模型部署等内容。此外，结合2个案例，介绍了整个机器学习项目构建的流程。

本书从实用角度进行了描述，尽量减少数学公式和推导，有利于高职学生的学习；选用Python语言工具，简化编程实现，有利于上手实操。

本书配有微课视频、课程标准、教学设计、授课用PPT、习题答案等数字化学习资源。与本书配套的数字课程“机器学习应用”在智慧职教平台（www.icve.com.cn）上线，学习者可以登录平台进行在线学习及资源下载，授课教师可以调用本课程构建符合自身特色的SPOC课程，详见“智慧职教”服务指南。教师如需获取本书配套教辅资源，请登录“高等教育出版社产品信息检索系统”（xuanshu.hep.com.cn）免费下载。

本书可作为高等职业教育人工智能专业方向机器学习课程教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的入门参考资料。

前辅文
第1章 导论
  1.1 人工智能简介
  1.2 机器学习与人工智能
  1.3 机器学习基本概念
   1.3.1 机器学习开发步骤
   1.3.2 数据的结构
   1.3.3 算法分类
  1.4 性能度量
   1.4.1 分类问题
   1.4.2 回归问题
  1.5 机器学习的挑战
  1.6 小结
  1.7 习题
第2章 Python及其工具包
  2.1 Python
   2.1.1 为什么选Python
   2.1.2 Python的安装
  2.2 NumPy
   2.2.1 NumPy的安装
   2.2.2 NumPy的基本知识和操作
  2.3 SciPy
  2.4 Pandas
   2.4.1 Pandas的安装
   2.4.2 Pandas的简单使用
  2.5 Matplotlib
   2.5.1 Matplotlib的安装
   2.5.2 Matplotlib绘图
  2.6 Scikit-learn
  2.7 “Hello Machine Learning”
  2.8 小结
  2.9 习题
第3章 数据收集与理解
  3.1 数据收集
   3.1.1 查询数据库中的数据
   3.1.2 爬取网络数据
   3.1.3 读取文件中的数据
   3.1.4 常用数据集资源
   3.1.5 仿真数据集
  3.2 数据理解
   3.2.1 基本信息查看
   3.2.2 基本统计特征
   3.2.3 数据质量查看
   3.2.4 数据可视化
  3.3 小结
  3.4 习题
第4章 数据预处理
  4.1 数据清洗
   4.1.1 重复值处理
   4.1.2 缺失值处理
   4.1.3 异常值处理
  4.2 数据变换
   4.2.1 数值编码
   4.2.2 数据离散化
   4.2.3 数据规范化
  4.3 特征选择
   4.3.1 过滤法
   4.3.2 包装法
   4.3.3 集成法
  4.4 降维
   4.4.1 PCA
   4.4.2 LDA
  4.5 小结
  4.6 习题
第5章 回归算法
  5.1 简单线性回归算法
   5.1.1 模型设定
   5.1.2 最小二乘法求解
   5.1.3 梯度下降法
  5.2 多变量线性回归算法
   5.2.1 模型设定
   5.2.2 最小二乘法
   5.2.3 梯度下降法
   5.2.4 求解实现
  5.3 多项式回归算法
  5.4 正则化的线性回归算法
   5.4.1 L2正则化
   5.4.2 L1正则化
   5.4.3 ElasticNet正则化
  5.5 小结
  5.6 习题
第6章 分类算法
  6.1 逻辑回归算法
   6.1.1 模型设定
   6.1.2 模型求解
   6.1.3 求解实现
  6.2 决策树算法
   6.2.1 模型设定
   6.2.2 ID3算法
   6.2.3 C4.5算法
   6.2.4 CART算法
   6.2.5 剪枝
   6.2.6 求解实现
  6.3 朴素贝叶斯算法
   6.3.1 模型设定
   6.3.2 朴素贝叶斯
   6.3.3 较小数据集下的朴素贝叶斯
   6.3.4 求解实现
  6.4 支持向量机算法
   6.4.1 模型设定
   6.4.2 线性可分支持向量机
   6.4.3 近似线性可分支持向量机
   6.4.4 线性不可分支持向量机
   6.4.5 求解实现
  6.5 K近邻算法
   6.5.1 模型设定
   6.5.2 求解实现
  6.6 人工神经网络算法
   6.6.1 模型设定
   6.6.2 BP神经网络
   6.6.3 求解实现
  6.7 小结
  6.8 习题
第7章 聚类算法
  7.1 k均值算法
  7.2 层次聚类
  7.3 密度聚类
  7.4 求解实现
  7.5 小结
  7.6 习题
第8章 模型评估与参数调优
  8.1 模型评估
   8.1.1 预留法
   8.1.2 K折交叉验证
   8.1.3 留一法
  8.2 参数调优
   8.2.1 验证集
   8.2.2 超参数搜索
  8.3 Pipeline
  8.4 小结
  8.5 习题
第9章 集成算法
  9.1 投票法
   9.1.1 算法思想
   9.1.2 求解实现
  9.2 Bagging
   9.2.1 算法思想
   9.2.2 求解实现
   9.2.3 随机森林及实现
  9.3 Boosting
   9.3.1 AdaBoost算法思想
   9.3.2 AdaBoost求解实现
   9.3.3 梯度提升树
  9.4 小结
  9.5 习题
第10章 结果部署
  10.1 序列化与反序列化
  10.2 线上部署
   10.2.1 Flask基础
   10.2.2 第一个简单Web程序
   10.2.3 Jinja2模板
   10.2.4 表单
   10.2.5 处理表单
  10.3 其他
  10.4 小结
  10.5 习题
第11章 项目实践
  11.1 分类项目
   11.1.1 导入数据
   11.1.2 理解数据
   11.1.3 数据预处理
   11.1.4 模型构建和训练
   11.1.5 算法调优
   11.1.6 分类结果
  11.2 回归项目
   11.2.1 导入数据
   11.2.2 理解数据
   11.2.3 数据预处理
   11.2.4 模型构建和训练
   11.2.5 算法调优
   11.2.6 回归结果
  11.3 小结
  11.4 习题