本书循序渐进地讲解了使用Scikit-Learn开发机器学习程序的核心知识，并通过具体实例的实现过程演练了使用Scikit-Learn的方法和流程。全书共10章，包括人工智能与Scikit-Leam简介，加载数据集，监督学习，无监督学习，模型选择和评估，数据集转换，实现大数据计算，英超联赛比分预测系统（Matplotlib+Scikit-Learn+Flask+Pandas），AI考勤管理系统（face-recognition+Matplotlib+Djiango+Scikit-Learn+Dlib），实时电影推荐系统（Scikit-Learn+Flask+Pandas）。本书简洁而不失其技术深度，内容丰富全面，易于阅读。
本书适用于已经了解Python语言基础语法的读者，以及想进一步学习机器学习和深度学习技术的读者，还可以作为大专院校相关专业的师生用书和培训学校的专业教材。

第1章 人工智能与Scikit-Leam简介
1.1 人工智能技术的兴起
1.1.1 人工智能介绍
1.1.2 人工智能的研究领域
1.1.3 和人工智能相关的几个重要概念
1.1.4 人工智能的两个重要发展阶段
1.2 机器学习和深度学习
1.2.1 机器学习
1.2.2 深度学习
1.2.3 机器学习和深度学习的区别
1.3 初步认识Scikit-Learn
1.3.1 Scikit-Learn介绍
1.3.2 使用pip安装Scikit-Learn
1.3.3 使用Anaconda安装Scikit Learn
1.3.4 解决速度过慢的问题
1.4 准备开发工具
第2章 加载数据集
2.1 标准数据集API
2.1.1 波士顿房价数据集（适用于回归任务）
2.1.2 威斯康星州乳腺癌数据集（适用于分类问题）
2.1.3 糖尿病数据集（适用于回归任务）
2.1.4 手写数字数据集（适用于分类任务）
2.1.5 Fisher的鸢尾花数据集（适用于分类问题）
2.1.6 红酒数据集（适用于分类问题）
2.2 自定义数据集
2.2.1 生成聚类数据
2.2.2 生成同心圆样本点
2.2.3 生成模拟分类数据集
2.2.4 生成太极型非凸集样本点
第3章 监督学习
3.1 广义线性模型
3.1.1 普通最小二乘法
3.1.2 岭回归
3.1.3 Lasso回归
3.2 线性判别分析和二次判别分析
3.2.1 使用线性判别分析来降维
3.2.2 LDA和QDA分类器的数学公式
3.2.3 收缩
……
第4章 无监督学习
第5章 模型选择和评估
第6章 数据集转换
第7章 实现大数据计算
第8章 英超联赛比分预测系统（Matplotlib+Scikit-Learn+Flask+Pandas）
第9章 AI考勤管理系统（face-recognition+Matplotlib+Django+Scikit-Learn+Dlib）
第10章 实时电影推荐系统（Scikit-Learn+Flask+Pandas）