本书围绕数据、算法、模型三要素，研究选取不同算法从历史数据中获取经验，并归纳出模型进行预测与优化的系列理论与技术，是涉及计算机科学、概率统计、决策论等多个学科的交叉领域。本书应用开源深度学习框架PaddlePaddle，从按照问题定义、数据收集、特征工程、模型训练、模型评估、模型应用的步骤，循序渐进、深入浅出地剖析机器学习中极具代表性的实践，理论翔实，代码精细，是一本实用性极强的入门实践教材。

第1章 Python基础实践
实践一：海量文件遍历
实践二：简单计算器实现
实践三：图像直方图统计
实践四：文本词频分析
第2章 数据爬取与分析
实践五：明星图片爬取
实践六：股票行情爬取与分析
实践七：科比职业生涯数据爬取与分析
第3章 机器学习基础实践
实践八：基于线性回归实现房价预测
实践九：基于逻辑回归模型实现手写数字识别
实践十：基于朴素贝叶斯实现文本分类
实践十一：基于支持向量机实现鸢尾花分类
实践十二：基于K-means实现鸢尾花聚类
第4章 神经网络基础实验
实践十三：基于全连接神经网络实现房价预测
实践十四：基于全连接神经网络实现宝石分类
实践十五：基于高层API实现宝石分类
第5章 计算机视觉基础实验
实践十六：图像数据预处理实践
实践十七：基于卷积神经网络实现美食分类
实践十八：基于VGG-16实现中草药分类
实践十九：基于ResNet-50实现CIFAR10数据集分类
第6章 自然语言处理基础实验
实践二十：文本数据处理实践
实践二十一：基于CBOW实现Word2Vec
实践二十二：基于Skip-gram实现Word2Vec
实践二十三：基于循环神经网络实现情感分类
实践二十四：基于LSTM实现谣言检测
实践二十五：基于GRU实现情感分类
第7章 深度学习前沿应用
实践二十六：目标检测
实践二十七：图像风格迁移
实践二十八：图像分类Fine-Tuning
实践二十九：文本审核
实践三十：文本生成
实践三十一：文本分类Fine-Tuning
参考文献