本书对机器学习的核心方法进行了深入而详细的介绍，并特别关注各学科最常用的算法。最大特色在于力图以生动的语言、较多的插图与大量的实例来直观地解释机器学习的原理。同时，结合主流的Python语言，及时地介绍相应的软件操作与经典案例，为读者提供“一站式”服务。本书还提供详尽的数学推导，尽量避免跳跃，并辅以直观的文字解释。对于看似复杂的机器学习原理，则删繁就简，娓娓道来，让读者渐入佳境。
本书适合普通高等学校理、工、农、医以及经济管理等社会科学类的高年级本科生与研究生使用。先修课包括微积分、线性代数与概率统计，但不要求有编程或Python语言经验。本书将从零开始，让读者快速体会到Python语言的美妙与威力。

陈强，男，1971年出生，山东大学经济学院教授，数量经济学博士生导师。分别于1992年、1995年获北京大学经济学学士、硕士学位，后留校任教。2007年获美国Northern Illinois University数学硕士与经济学博士学位。主要研究领域为计量经济学、机器学习与经济史。著有畅销本科教材《计量经济学及Stata应用》（高等教育出版社，2015年出版）与研究生教材《高级计量经济学及Stata应用》（高等教育出版社，2014年出版，第2版）。2010年入选教育部新世纪优秀人才支持计划。更多信息参见作者个人网页www.econometrics-stata.com。

第1章 绪论
1.1 什么是机器学习
1.2 机器学习的分类
1.3 机器学习的术语
1.4 机器如何学习
1.5 机器学习与统计学、计量经济学的关系
第2章 Python入门
2.1 为何使用Python
2.2 Python与Spyder的安装
2.3 计算器与赋值
2.4 模块
2.5 字符串
2.6 布尔型
2.7 列表
2.8 元组
2.9 字典
2.10 集合
2.11 数组
2.12 数据框
2.13 缺失值
2.14 描述性统计
2.15 使用Matplotlit画图
2.16 使用pandas与seaborn画图
2.17 读写数据
2.18 随机抽样
2.19 条件语句
2.20 循环语句
2.21 函数
2.22 类
2.23 进一步学习Python的资源
习题
第3章 数学回顾
3.1 微积分
3.2 最优化
3.3 线性代数
3.4 概率统计
习题
第4章 线性回归
4.1 监督学习的回归问题
4.2 最优预测
4.3 线性回归模型
4.4 最小二乘法
4.5 OLS的正交性与几何解释
4.6 施密特正交化与QR分解
4.7 拟合优度
4.8 过拟合与泛化能力
4.9 偏差与方差的权衡
4.10 模型评估的再抽样方法
4.11 线性回归的Python案例
习题
第5章 逻辑回归
5.1 逻辑回归
5.2 最大似然估计
5.3 Logit模型的解释
……
第6章 多项逻辑回归
第7章 判别分析
第8章 朴素贝叶斯
第9章 惩罚回归
第10章 K近邻法
第11章 决策树
第12章 随机森林
第13章 提升法
第14章 支持向量机
第15章 人工神经网络
第16章 主成分分析
第17章 聚类分析
第18章 数据科学的Python语言
参考文献