本书采用理论与实践相结合的方式，介绍数据挖掘与机器学习的基础知识，力求培养读者数据思维能力。全书共9章，阐述了数据挖掘与机器学习的核心概念与技术，以及运用这些技术分析实际问题的思路。书中还介绍了9个综合性的案例，其难易程度和侧重点与书中各章的知识点相匹配。
第1章介绍数据挖掘的基本概念、功能与应用领域，使读者掌握数据挖掘的基本理念、流程和方法。第2章介绍Pandas模块的语法结构，并通过对自行车行驶数据与服务热线数据的分析，使读者掌握通过Pandas模块对数据进行统计分析的方法。第3章介绍机器学习的框架，以及Skleam模块的语法结构，使读者掌握搭建机器学习流水线的方法。第4章介绍分类算法与应用，使读者掌握通过Skleam模块搭建一个分类器并实现分类功能的方法。第5章介绍回归算法与应用，使读者掌握通过Skleam模块搭建一个回归模型并实现回归功能的方法。第6章介绍无监督学习，使读者掌握通过Skleam模块搭建一个聚类模型并实现聚类功能的方法。第7章介绍关联规则和协同过滤，使读者掌握通过这些算法实现电影推荐的方法。第8章介绍图像数据分析的相关技术，使读者掌握进行图像特征提取和人脸识别的方法。第9章介绍自然语言处理与NLTK的相关技术，使读者掌握进行文本特征提取和文本分类的方法。
本书可作为各类高校数据挖掘与机器学习的课程教材，也可供对数据挖掘和机器学习感兴趣的读者学习参考。

第1章 数据挖掘概述
1.1 数据分析技术发展简介
1.2 数据挖掘的概念
1.3 数据挖掘的功能与应用领域
1.4 数据挖掘的模型
1.5 数据挖掘的数据类型
1.6 数据挖掘的交叉学科
第2章 Pandas数据分析
2.1 Pandas与数据分析
2.2 Pandas统计案例分析
第3章 机器学习
3.1 数据挖掘中的机器学习
3.2 机器学习的模型
3.3 模型的评判和保存
3.4 支持向量机
3.5 过拟合问题
第4章 分类算法与应用
4.1 数据挖掘分类问题
4.2 概率模型
4.3 朴素贝叶斯分类
4.4 向量空间模型
4.5 KNN算法
4.6 多类问题
第5章 回归算法与应用
5.1 回归预测问题
5.2 线性回归
5.3 岭回归和Lasso回归
5.4 逻辑回归
第6章 无监督学习
6.1 无监督学习问题
6.2 划分聚类
6.3 层次聚类
6.4 聚类效果评测
6.5 降维
第7章 关联规则和协同过滤
7.1 关联规则
7.2 Apriori算法
7.3 协同过滤
第8章 图像数据分析
8.1 图像数据的相关概念
8.2 图像数据分析方法
8.3 图像数据分析案例
第9章 自然语言处理与NLTK
9.1 自然语言处理概述
9.2 MTK入门基础
9.3 NITK文本分析