本书将引领读者进入Python机器学习领域。机器学习是一套先进、深刻且内容丰富的算法集合，已成为数据科学中数据建模与分析的重要方法。Python是一款简明、高效且功能强大的开源工具，也是数据科学实践中最常用的计算机语言。学好机器学习的理论方法，掌握Python这个实用工具，是成长为数据科学人才所必需的。
本书采用理论与实践相结合的方式，理论上突出可读性并兼具知识深度和广度，实践上强调可操作性并兼具应用广泛性，对机器学习的原理部分进行了深入透彻的讲解，对机器学习的算法部分给出了Python代码，并且在各章中设置了Python编程示例。全彩呈现机器学习的数据建模可视化图例（80多幅彩图），扫描书中相应二维码即可查看。提供配套数据集、源代码、教学PPT等学习资源，登录华信教育资源网（www.hxedu.com.cn）即可免费下载。
本书可作为高等院校机器学习、数据分析等专业课程的教材，也可作为数据科学应用研究者及对Python机器学习感兴趣的数据建模与分析从业者的参考书。

薛薇，博士，中国人民大学应用统计研究中心专职研究员，中国人民大学统计学院副教授。主要开设课程：机器学习，计量经济学，统计软件，统计学。研究方向：机器学习与深度学习算法研究。基于顾客消费行为大数据的客户终身价值统计建模，以及营销与品牌大数据的机器学习算法应用。

第1章 机器学习概述
1.1 机器学习的发展：人工智能中的机器学习
1.1.1 符号主义人工智能
1.1.2 基于机器学习的人工智能
1.2 机器学习的核心：数据和数据建模
1.2.1 机器学习的对象：数据集
1.2.2 机器学习的任务：数据建模
1.3 机器学习的典型应用
1.3.1 机器学习的典型行业应用
1.3.2 机器学习在客户细分中的应用
1.3.3 机器学习在客户流失分析中的应用
1.3.4 机器学习在营销响应分析中的应用
1.3.5 机器学习在交叉销售中的应用
1.3.6 机器学习在欺诈甄别中的应用
本章总结
本章习题
第2章 Python机器学习基础
2.1 Python：机器学习的首选工具
2.2 Python的集成开发环境：Anaconda
2.2.1 Anaconda的简介
2.2.2 Anaconda Prompt的使用
2.2.3 Spyder的使用
2.2.4 Jupyter Notebook的使用
2.3 Python第三方包的引用
2.4 NumPy使用示例
2.4.1 NumPy数组的创建和访问
2.4.2 NumPy的计算功能
2.5 Pandas使用示例
2.5.1 Pandas的序列和索引
2.5.2 Pandas的数据框
2.5.3 Pandas的数据加工处理
2.6 NumPy和Pandas的综合应用：空气质量监测数据的预处理和基本分析
2.6.1 空气质量监测数据的预处理
2.6.2 空气质量监测数据的基本分析
2.7 Matplotlib的综合应用：空气质量监测数据的图形化展示
2.7.1 AQI的时间序列变化特点
2.7.2 AQI的分布特征及相关性分析
本章总结
本章相关函数列表
本章习题
第3章 数据预测与预测建模
3.1 从线性回归模型说起
3.1.1 线性回归模型的含义
3.1.2 线性回归模型的几何理解
3.1.3 线性回归模型的评价
3.1.4 Python应用实践：PM2.5浓度预测
3.2 认识线性分类模型
3.2.1 线性分类模型的含义
3.2.2 线性分类模型的几何理解
3.2.3 线性分类模型的评价
3.2.4 Python应用实践：空气质量等级预测
3.3 从线性预测模型到非线性预测模型
3.4 预测模型的参数估计
3.4.1 损失函数与有监督学习
3.4.2 参数搜索策略
3.5 预测模型的选择
3.5.1 泛化误差的估计
3.5.2 Python模拟和启示：理解泛化误差
3.5.3 预测模型过拟合问题
3.5.4 模型选择：偏差和方差
本章总结
本章相关函数列表
本章习题
第4章 数据预测建模：贝叶斯分类器
4.1 贝叶斯概率和贝叶斯法则
4.1.1 贝叶斯概率
4.1.2 贝叶斯法则
4.2 朴素贝叶斯分类器
4.2.1 从顾客行为分析角度看朴素贝叶斯分类器
4.2.2 Python模拟和启示：认识朴素贝叶斯分类器的分类边界
4.2.3 Python应用实践：空气质量等级预测
4.3 朴素贝叶斯分类器在文本分类中的应用
……
第5章 数据预测建模：近邻分析
第6章 数据预测建模：决策树
第7章 数据预测建模：集成学习
第8章 数据预测建模：人工神经网络
第9章 数据预测建模：支持向量机
第10章 特征选择：过滤、包裹和嵌入策略
第11章 特征提取：空间变换策略
第12章 揭示数据内在结构：聚类分析
第13章 揭示数据内在结构：特色聚类