随着计算机技术迅猛地发展，人工智能与机器学习已经渗透到我们日常生活的各个领域。为此，中国人民大学专门为全校财经和人文专业的学生开设了“人工智能与机器学习”课程，本书的所有作者都参与了该门课程的教学实践，相互配合，总结教学经验，共同打磨而成《人工智能与机器学习》一书。书中通过丰富现实案例的详细讲解，引导学生了解各种机器学习模型的基本原理与实践用法。避开了大量的数学模型和复杂编程知识，让学生熟悉当下流行的一些机器学习和数据处理工具的使用，来解决现实领域遇到的各种数据分析和预测问题。

目录
章人工智能简介
11什么是人工智能
12人工智能简史（1956年以前）
13人工智能简史（1956—1980年）
14人工智能简史（1980—2010年）
15人工智能简史（2010年至今）
第2章机器学习简介
21什么是机器学习
22机器学习分类
第3章Python简介
31环境配置
32Python基础编程
33Numpy
34Matplotlib
35Pandas
第4章K近邻
41什么是K近邻
42如何度量距离或者相似性
43数据缩放
44选择合适的K值
45Scikitlearn KNN分类器介绍
46案例一：鸢尾花分类
第5章模型选择
51偏差与方差
52训练集与测试集
53交叉验证
54案例二：鸢尾花分类（案例一续）
第6章线性回归
61什么是线性回归
62损失函数
63增加多项式特征
64正则化
65超参数调优
66案例三：波士顿房价预测
第7章逻辑回归
71什么是逻辑回归
72决策边界
73损失函数
74线性回归和逻辑回归的异同
75多分类
76案例四：泰坦尼克号乘客生还预测
第8章分类评价指标
81混淆矩阵
82查准率与查全率、F1分数
83ROC曲线和AUC
84多分类评价指标
85案例五：泰坦尼克号乘客生还预测（案例四续）
第9章朴素贝叶斯
91贝叶斯定理
92朴素贝叶斯分类器
93不同的朴素贝叶斯模型
94文本分类
95案例六：垃圾邮件识别
0章支持向量机
101什么是支持向量机
102核函数
103支持向量机的参数优化
104案例七：垃圾邮件识别（案例六续）
105总结
1章决策树
111什么是决策树
112构建决策树
113修剪决策树
114决策树的优缺点和使用方法
115案例八：泰坦尼克号乘客生还预测
2章集成学习
121袋装
122提升
123堆叠
124案例九：泰坦尼克号乘客生还预测（案例八续）
3章聚类
131什么是聚类
132Kmeans算法
133聚类结果的评价
134不同的距离指标
135聚合式层次聚类
136案例十：商场客户聚类
4章深度学习
141深度学习发展简史
142多层感知器
143损失函数
144优化算法：反向传播算法
145案例十一：手写数字识别
146深度学习技巧
147卷积神经网络
148案例十二：图像识别
5章Kaggle竞赛
151Kaggle平台简介
152Kaggle竞赛简介
153Kaggle竞赛案例分析：泰坦尼克号乘客生还预测