本书理论与实践相结合，全面介绍了人工智能和机器学习。全书分为六部分。第一部分介绍了人工智能和机器学习在现代背景下的概念以及它们的起源和现状，并讨论了使用这些概念的各种场景和数据的理解、表示与可视化。第二部分介绍了机器学习的各种方法及新兴趋势。第三部分介绍了使用算法构建端到端机器学习管道。第四部分重点介绍机器学习模型的实现，以开发人工智能应用。第五部分介绍了解决现实机器学习问题的一些实现策略。第六部分是本书总结和下一步工作。

序
前言
致谢
第一部分 简介
第1章 人工智能和机器学习简介
1.1 引言
1.2 什么是人工智能
1.3 什么是机器学习
1.4 本书的结构
1.4.1 简介
1.4.2 机器学习
1.4.3 构建端到端管道
1.4.4 人工智能
1.4.5 实现
1.4.6 结语
第2章 人工智能和机器学习的基本概念
2.1 引言
2.2 大数据和非大数据
2.2.1 什么是大数据
2.2.2 为什么我们应该区别对待大数据
2.3 学习类型
2.3.1 监督学习
2.3.2 无监督学习
2.3.3 强化学习
2.4 基于时间的机器学习方法
2.4.1 静态学习
2.4.2 动态学习
2.5 维数
2.6 线性和非线性
2.7 奥卡姆剃刀原理
2.8 “没有免费的午餐”定理
2.9 收益递减规律
2.10 机器学习的早期趋势
2.11 小结
第3章 数据的理解、表示和可视化
3.1 引言
3.2 理解数据
3.2.1 理解实体
3.2.2 理解属性
3.2.3 理解数据类型
3.3 数据的表示和可视化
3.3.1 主成分分析
3.3.2 线性判别分析
3.4 小结
第二部分 机器学习
第4章 线性方法
4.1 引言
4.2 线性模型和广义线性模型
4.3 线性回归
4.3.1 定义问题
4.3.2 解决问题
4.4 正则化的线性回归
4.4.1 正则化
4.4.2 岭回归
4.4.3 Lasso回归
4.5 广义线性模型
4.6 k近邻算法
4.6.1 KNN的定义
4.6.2 分类和回归
4.6.3 KNN的其他变体
4.7 小结
第5章 感知器和神经网络
第6章 决策树
第7章 支持向量机
第8章 概率模型
第9章 动态规划和强化学习
第10章 演化算法
第11章 时间序列模型
第12章 深度学习
第13章 机器学习的新兴趋势
第14章 无监督学习
第三部分 构建端到端管道
第15章 特征化
第16章 设计和调整模型管道
第17章 性能度量
第四部分 人工智能
第18章 分类
第19章 回归
第20章 排名
第21章 推荐系统
第五部分 实现
第22章 Azure机器学习
第23章 开源机器学习库
第24章 亚马逊的机器学习工具包：SageMaker
第六部分 结语
第25章 本书总结和下一步工作
参考文献