章基础知识001
1.1机器学习简介002
1.1.1基本概念002
1.1.2机器学习分类003
1.2Python基础005
1.2.1Python编程环境005
1.2.2基本数据类型011
1.2.3分支语句和循环语句018
1.2.4函数021
1.2.5类和对象025
1.2.6打开、关闭、读/写文件028
1.2.7异常处理031
1.3常用第三方库033
1.3.1NumPy033
1.3.2SciPy039
1.3.3Pandas.041
1.3.4Matplotlib053
1.3.5Scikit-learn056
1.4案例分析058
1.4.1网络爬虫及信息提取058
1.4.2股票数据图表绘制063
1.5本章小结069
1.6参考文献069
第2章分类案例071
2.1员工离职预测072
2.1.1问题描述及数据集获取072
2.1.2求解思路和相关知识介绍073
2.1.3代码实现及分析076
2.2Iris数据分类081
2.2.1问题描述及数据集获取081
2.2.2求解思路和相关知识介绍082
2.2.3代码实现及分析089
2.3新闻文本分类099
2.3.1问题描述及数据集获取099
2.3.2求解思路和相关知识介绍100
2.3.3代码实现及分析113
2.4手写数字识别128
2.4.1问题描述及数据集获取128
2.4.2求解思路和相关知识介绍129
2.4.3代码实现及分析134
2.5本章小结139
2.6参考文献139
第3章聚类案例143
3.1人脸图像聚类144
3.1.1问题描述及数据集获取144
3.1.2求解思路和相关知识介绍146
3.1.3代码实现及分析150
3.2文本聚类162
3.2.1问题描述及数据集获取162
3.2.2求解思路和相关知识介绍163
3.2.3代码实现及分析167
3.3本章小结173
3.4参考文献174
第4章回归预测案例175
4.1房价预测176
4.1.1问题描述及数据集获取176
4.1.2求解思路和相关知识介绍177
4.1.3代码实现及分析184
4.2基于LSTM的股票走势预测.191
4.2.1问题描述及数据集获取191
4.2.2求解思路和相关知识介绍192
4.2.3代码实现及分析197
4.3本章小结204
4.4参考文献204
第5章综合案例206
5.1场景文本检测207
5.1.1问题描述及数据集获取207
5.1.2求解思路和相关知识介绍208
5.1.3代码实现及分析217
5.2面部认证.235
5.2.1问题描述及数据集获取236
5.2.2求解思路和相关知识介绍236
5.2.3代码实现及分析241
5.3本章小结275
5.4参考文献275
附录A277
A.1逻辑回归分类器原理介绍278
A.2自己编程实现决策树分类器280
A.3支持向量机的数学推导287
A.3.1最小间隔优选化287
A.3.2对偶问题288
A.4Adaboost的数学推导和代码实现292
A.4.1数学推导292
A.4.2代码实现294
A.5神经网络的数学推导和代码实现298
A.5.1数学推导298
A.5.2代码实现302
A.6期望优选化算法和高斯混合模型308
A.6.1EM算法的原理和数学推导308
A.6.2EM算法估计高斯混合模型参数的数学推导310
A.7基于波士顿房价数据集的房价预测代码实现312

本书共5章内容，主要结合目前流行的人工智能编程语言Python对机器学习案例进行分析，介绍机器学习的相关理论，并展示使用机器学习方法解决实际应用问题的具体过程。本书包括基础知识、分类案例、聚类案例、回归预测案例和综合案例，力争通过通俗易懂的案例和代码分析使读者快速掌握机器学习的具体应用方法。本书既适合计算机相关专业人员，也适合非计算机相关专业人员阅读。理论性强，较难理解的内容统一放在了附录A中，这部分内容适合具备一定理论基础、对机器学习理论推导有兴趣的读者。
本书可以作为我国高校计算机专业学生和非计算机专业理工科学生机器学习入门课程的教材。