本书系统介绍机器学习的理论、模型和算法实现，主要内容包括机器学习实验环境的搭建、数据清洗、模型评估、监督学习的分类和回归问题、非监督学习的聚类和降维等理论介绍和底层算法实现。本书涵盖了K近邻算法、决策树、支持向量机、BP神经网络、卷积神经网络、循环神经网络、集成学习、K-means聚类、模糊聚类、主成分分析、独立成分分析等内容。每章均基于实战项目或案例介绍模型和算法的两种实现（scikit-learn、Keras或TensorFlow的调包实现与非调包底层代码实现），并给出相应的实验题目，以此加深读者对模型和算法的理解，提升读者对模型和算法的底层代码实现能力。
本书适合作为人工智能专业高年级本科生和研究生的教材，也可作为人工智能相关领域研究人员的自学教材。

第1章 环境搭建
1.1 实验环境的安装与搭建
1.1.1 Anaconda的下载
1.1.2 Anaconda的安装
1.1.3 检验
1.1.4 启动
1.2 数据清洗和预处理
1.2.1 原理简介
1.2.2 算法步骤
1.2.3 实战
1.2.4 实验
第2章 模型评估
2.1 模型评估的样本集构建与评价
2.1.1 原理简介
2.1.2 样本集的构建方法
2.1.3 算法步骤
2.1.4 实战
2.1.5 实验
2.2 评估指标计算
2.2.1 原理简介
2.2.2 代码实现与实战
2.2.3 实验
第3章 分类问题
3.1 K近邻算法
3.1.1 原理简介
3.1.2 算法步骤
3.1.3 实战
3.1.4 实验
3.2 逻辑回归算法
3.2.1 原理简介
3.2.2 算法步骤
3.2.3 实战
3.2.4 实验
3.3 决策树算法
3.3.1 原理简介
3.3.2 算法步骤
3.3.3 实战
3.3.4 实验
3.4 支持向量机算法
3.4.1 原理简介
3.4.2 算法步骤
3.4.3 实战
3.4.4 实验
3.5 EM算法
3.5.1 原理简介
3.5.2 算法步骤
3.5.3 实战
3.5.4 实验
3.6 BP神经网络的分类和回归算法
3.6.1 原理简介
3.6.2 算法步骤
3.6.3 实战
3.6.4 实验
3.7 卷积神经网络分类算法
3.7.1 原理简介
3.7.2 算法步骤
3.7.3 实战
3.7.4 实验
3.8 多类分类算法
3.8.1 原理简介
3.8.2 算法步骤
3.8.3 实战
3.8.4 实验
第4章 回归问题
4.1 线性回归算法
4.1.1 原理简介
4.1.2 算法步骤
4.1.3 实战
4.1.4 实验
4.2 多项式回归算法
4.2.1 原理简介
4.2.2 算法步骤
4.2.3 实战
4.2.4 实验
4.3 支持向量回归算法
4.3.1 原理简介
4.3.2 算法步骤
4.3.3 实战
4.3.4 实验
4.4 循环神经网络算法
4.4.1 原理简介
4.4.2 算法步骤
4.4.3 实战
4.4.4 实验
4.5 集成学习：AdaBoost算法
4.5.1 原理简介和算法步骤
4.5.2 实战
4.5.3 实验
4.6 集成学习：随机森林算法
4.6.1 原理简介
4.6.2 算法步骤
4.6.3 实战
4.6.4 实验
第5章 聚类问题
5.1 K-means聚类算法
5.1.1 原理简介
5.1.2 算法步骤
5.1.3 值的选择
5.1.4 实战
5.1.5 实验
5.2 模糊聚类算法
5.2.1 原理简介
5.2.2 算法步骤
5.2.3 实战
5.2.4 实验
5.3 基于密度聚类算法
5.3.1 原理简介
5.3.2 算法步骤
5.3.3 实战
5.3.4 实验
5.4 层次聚类算法
5.4.1 原理简介
5.4.2 算法步骤
5.4.3 实战
5.4.4 实验
第6章 降维问题
6.1 主成分分析算法
6.1.1 原理简介
6.1.2 算法步骤
6.1.3 实战
6.1.4 实验
6.2 独立成分分析算法
6.2.1 原理简介
6.2.2 算法步骤
6.2.3 实战
6.2.4 实验
参考文献