本书是基于Python以及飞桨（PaddlePaddle）深度学习框架的实践性机器学习入门教程，内容涵盖Python基础语法、机器学习常用算法以及在计算机视觉和自然语言处理等经典领域的详细案例解析。
本书语言简洁易懂，注重实践与理论相结合，旨在帮助读者掌握机器学习的核心概念和技能。通过阅读本书，读者可以快速了解机器学习各种算法的应用场景，并掌握使用PaddlePaddle来解决机器学习问题的方法。对于想要入门机器学习的人来说，本书是一本实用性较强的参考书。

第1章 Python基础实践
1.1 实践一：九九乘法表
1.2 实践二：抽奖系统
1.3 实践三：批量文件遍历、复制、重命名
1.4 实践四：数据统计分析及可视化
1.5 实践五：图像直方图统计
第2章 数据爬取与分析
2.1 实践一：爬取明星数据
2.2 实践二：科比职业生涯数据爬取与分析
2.3 实践三：电视影评爬取
2.4 实践四：股票行情爬取与分析
第3章 机器学习基础实践
3.1 实践一：基于线性回归/Lasso回归/多项式回归实现房价预测
3.2 实践二：基于朴素贝叶斯实现文本分类
3.3 实践三：基于逻辑回归模型实现手写数字识别
3.4 实践四：基于SVM/决策树/XGBoost算法实现鸢尾花
3.5 实践五：基于K-means/层次聚类算法实现自制数据集聚类
第4章 神经网络基础实践
4.1 实践一：基于全连接神经网络实现鲍鱼年龄预测
4.2 实践二：基于全连接神经网络实现车辆分类
4.3 实践三：基于高层API实现车辆分类
第5章 计算机视觉基础实践
5.1 实践一：图像数据预处理实践
5.2 实践二：基于卷积神经网络实现宝石分类
5.3 实践三：基于VGGNet网络模型实现美食分类
5.4 实践四：基于ResNet网络模型实现中草药分类
5.5 实践五：基于Faster RCNN模型实现目标检测
5.6 实践六：基于U-Net模型实现宠物图像分割
第6章 自然语言处理基础实践
6.1 实践一：文本数据处理实践
6.2 实践二：基于CBOW/Skip-gram实现Word2Vec
6.3 实践三：基于循环神经网络实现情感分类
6.4 实践四：基于LSTM实现谣言检测
6.5 实践五：基于结合注意力机制的LSTM实现机器翻译
6.6 实践六：基于GRU实现电影评论分析
第7章 深度学习前沿应用
7.1 实践一：文字识别
7.2 实践二：手写数字生成
7.3 实践三：新闻主题分类
7.4 实践四：诗歌生成
7.5 实践五：图像分类Fine-Tuning
7.6 实践六：文本分类Fine-Tuning
参考文献