机器学习是一种实现人工智能的方法，也是人工智能领域中最能体现智能、发展最快的一个分支。本书作为该领域算法实现与应用的入门教材，主要介绍了一些经典而常用的机器学习方法及其编程技术，包括朴素贝叶斯、决策树、k-NN、聚类、线性回归、支持向量机（SVM）、神经网络等。全书以Python语言作为编程语言，基于工作过程系统化的体例设计，采用理论知识结合项目案例的形式，以图例解析的方式深入浅出又直观地剖析学习模型的计算机理，加深学生的体会和理解，避免了烦琐的数学模型推导；在项目实施过程中，以任务驱动的方式一步一步地演示算法的编程实现与应用过程，学生通过按部就班地反复训练，便能掌握基本的机器学习编程技术和应用方法。此外，为满足学生进一步的学习需要，书中多个单元均介绍了一些阅读材料供学生参考；在每单元最后都挖掘了一个与本单元内容相关的重要人物或事件的思政故事，传导专业正能量，促进学生职业精神与职业素养的养成。
本书配备了丰富的数字化课程教学资源，既可作为高等职业学校、应用型普通高等院校人工智能、大数据专业及其相关专业学生的教材，也可供想快速入门机器学习的工程技术人员、研究人员阅读参考。

单元1 机器学习导引
任务1.1 使用机器学习方法实现纸币真假分类
任务1.2 开发环境的搭建及本地模型的训练、评估
测试习题
单元2 朴素贝叶斯算法
任务2.1 垃圾短信数据集导入与数据预处理
任务2.2 训练贝叶斯分类器
任务2.3 模型评估
测试习题
单元3 决策树
任务3.1 天气数据集导入与数据预处理
任务3.2 训练决策树模型
任务3.3 模型评估
测试习题
单元4 k-NN算法
任务4.1 Seeds数据集导入与数据预处理
任务4.2 训练k-NN模型
任务4.3 模型评估
测试习题
单元5 聚类
任务5.1 鸢尾花数据集导入与数据预处理
任务5.2 训练k-Means模型
任务5.3 模型评估
测试习题
单元6 线性回归
任务6.1 房价数据集导入与数据预处理
任务6.2 训练线性回归模型
任务6.3 模型评估
测试习题
单元7 SVM算法
任务7.1 蘑菇数据集导入与数据预处理
任务7.2 训练SVM算法模型
任务7.3 模型评估
测试习题
单元8 神经网络
任务8.1 MNIST数据集导入与数据预处理
任务8.2 训练神经网络
任务8.3 深度学习
测试习题