本书基础理论和案例实战相结合，循序渐进地介绍关于机器学习领域中的经典和流行算法，全面、系统地介绍了使用Python实现机器学习算法，并通过PyTorch框架实现机器学习算法中的深度学习内容。第一部分基础篇包括第1～8章，系统地介绍了机器学习基础、数据预处理、简单分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络与多层感知机；第二部分综合篇，包括第9～12章，介绍了CNN、RNN、GNN及GAN等经典深度学习方法及其在计算机视觉与自然语言处理领域中的应用实践；第三部分拓展篇，包括第13～15章，以百度飞桨和旷视天元为例介绍了具有代表性的国产开源框架及其应用案例，最后简要介绍了国内外两个主流机器学习竞赛平台。 本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，高等院校的在读学生及相关领域的广大科研人员。

第一部分 基础篇
第1章 机器学习基础
1.1 机器学习概述
1.1.1 机器学习任务
1.1.2 重要概念
1.1.3 性能评估
1.2 编程语言与环境
1.2.1 Python简介
1.2.2 Python环境配置与安装
1.2.3 Python机器学习编程库
1.2.4 PyTorch框架
第2章 数据预处理
2.1 数据清洗
2.1.1 缺失值处理
2.1.2 离群值检测
2.2 数据转换
2.2.1 数字化
2.2.2 离散化
2.2.3 正规化
2.2.4 数值转换
2.3 数据压缩
2.3.1 降维
2.3.2 实例选择和采样
2.4 应用案例：基于PCA的数据降维
2.4.1 数据集
2.4.2 PCA降维
2.4.3 案例结果及分析
第3章 简单分类算法
3.1 朴素贝叶斯分类算法
3.2 KNN分类算法
3.2.1 KNN算法实现原理
3.2.2 KNN算法实现步骤
3.2.3 KNN算法优缺点
3.3 应用案例：KNN分类
3.3.1 数据集
3.3.2 构建KNN分类器
3.3.3 案例结果及分析
第4章 决策树
4.1 决策树模型
4.2 特征选择
4.2.1 特征和数据划分
4.2.2 划分标准
4.3 决策树生成算法
4.3.1 ID3决策树生成算法
4.3.2 C4.5决策树生成算法
4.4 CART算法
4.4.1 决策树的剪枝
4.4.2 CART生成算法
4.4.3 CART剪枝算法
4.5 应用案例：基于决策树的鸢尾花图像分类
4.5.1 数据集
4.5.2 构建决策树
4.5.3 案例结果及分析
第5章 支持向量机
5.1 支持向量机的基本原理
5.1.1 线性可分
5.1.2 最大间隔问题
5.1.3 支持向量
5.2 常用核函数
5.2.1 线性核函数
5.2.2 高斯核函数
5.2.3 多项式核函数
5.3 应用案例：基于SVM的异或数据集划分
5.3.1 数据集及数据预处理
5.3.2 构建SVM分类器
5.3.3 案例结果及分析
第6章 回归分析
6.1 线性回归
6.1.1 简单线性回归
6.1.2 多元线性回归
6.2 多项式回归
6.3 正则化回归
6.3.1 岭回归
6.3.2 最小绝对收缩与选择算子
6.3.3 弹性网络
6.4 随机森林回归
6.5 回归模型的性能评估
6.6 回归模型的实现
6.6.1 线性回归实现
6.6.2 多项式回归实现
6.6.3 正则化回归实现
6.6.4 随机森林回归实现
6.7 应用案例：基于随机森林的房价预测
6.7.1 数据集
6.7.2 数据预处理
6.7.3 随机森林回归模型建立
6.7.4 案例结果及分析
第7章 聚类分析
7.1 聚类概述
7.1.1 性能度量
7.1.2 距离计算
7.2 K-means算法
7.3 层次聚类
7.4 密度聚类
7.4.1 DBSCAN相关概念
7.4.2 DBSCAN算法流程
7.5 应用案例
7.5.1 K-means应用案例
7.5.2 层次聚类应用案例
7.5.3 DBSCAN应用案例
第8章 神经网络与多层感知机
8.1 神经元模型
8.2 感知机原理及结构
8.2.1 单层感知机
8.2.2 多层感知机
8.2.3 反向传播算法
8.3 应用案例：基于多层感知机的手写数字识别
8.3.1 数据集及数据预处理
8.3.2 三层感知机构建
8.3.3 案例结果及分析
第二部分 综合篇
第9章 基于CNN的图像识别
9.1 CNN的基本组成
9.1.1 卷积运算基本过程
9.1.2 多通道卷积
9.1.3 池化
9.2 CNN模型简介
9.3 基于PyTorch构建CNN
9.4 应用案例：基于CNN的人脸性别识别
9.4.1 数据集
9.4.2 数据预处理
9.4.3 搭建卷积神经网络
9.4.4 案例结果及分析
第10章 基于RNN的序列数据分类
10.1 面向序列数据的机器学习
10.1.1 RNN相关背景知识
10.1.2 序列数据
10.1.3 序列数据与建模
10.2 RNN的常用网络结构
10.2.1 基本结构
10.2.2 简单循环网络模型
10.2.3 门控算法模型
10.3 基于PyTorch构建LSTM
10.4 应用案例：基于LSTM的文本分类
10.4.1 数据准备
10.4.2 模型构建和实现
10.4.3 训练模型
10.4.4 测试模型
第11章 基于GNN的文本分类
11.1 GNN基础
11.1.1 GNN模型简介
11.1.2 GCN模型简介
11.2 GCN构建
11.2.1 代码层次结构
11.2.2 代码实现
11.3 应用案例：基于GCN的文本分类
11.3.1 TextGCN介绍
11.3.2 基于TextGCN的文本分类
11.3.3 案例结果及分析
第12章 基于GAN的图像生成
12.1 GAN