本书是机器学习领域的入门教材，从理论、抽象和设计三方面阐述了机器学习的理论基础、算法实现和具体应用技巧。全书共12章，包括Python概述，Pythor语言基础，基础数据结构，函数与模块，面向对象程序设计，NuPy数据分析，数据可视化，基础算法分析与实现，机器学习概述，回归分析，分类算法，聚类算法。本书既注重保持理论分析的严谨性，又注重机器学习算法的实用性，同时强调机器学习算法的思想和原理在计算机上的实现。 本书可作为高等职业院校人工智能相关专业的入门课程教材或教学参考书，也可以供从事机器学习应用开发的技术人员参考。

第1章 Python概述
1.1 Python简介
1.2 Python开发环境搭建
1.3 集成开发环境PyCharm
1.4 Python程序运行
第2章 Python语言基础
2.1 变量和简单数据类型
2.2 分支语句
2.3 循环语句
第3章 基础数据结构
3.1 字符串
3.2 字符串内置方法
3.3 列表
3.4 列表内置函数和方法
3.5 元组
3.6 元组内置函数和方法
3.7 字典
3.8 字典内置函数和方法
第4章 函数与模块
4.1 函数
4.2 函数的定义与调用
4.3 函数的参数
4.4 模块
第5章 面向对象程序设计
5.1 面向对象概述
5.2 对象与类
5.3 面向对象程序设计的特点
5.4 类的定义和使用
5.5 创建类的成员并访问
5.6 类的属性
5.7 类成员和实例成员
5.8 封装、继承、多态
第6章 NumPy数据分析
6.1 NumPy简介
6.2 NumPy Ndarray对象
6.3 NumPy数据类型
6.4 NumPy数组属性
6.5 NumPy数组索引
6.6 广播机制(Broadcast)
第7章 数据可视化
7.1 Matplotlib
7.2 Matplotlib库基本使用
7.3 Matplotlib绘图标记
7.4 Matploflib绘图线
7.5 Matplodib散点图
7.6 Matplotlib柱状图
7.7 Matplotlib饼图
第8章 基础算法分析与实现
8.1 算法的概念
8.2 算法问题求解基础
8.3 重要的问题类型
8.4 蛮力法(Brute Force)和算术问题
8.5 分治法(Devide-and-Conqure)
8.6 减治法(Decrese-and-Conqure)
8.7 贪心法(Greedy Techniques)
第9章 机器学习概述
9.1 机器学习简介
9.2 机器学习的基本理论
9.3 scikit-learn基本框架
第10章 回归分析
lO.1 回归分析原理
10.2 多元线性回归
10.3 正则化回归分析
10.4 案例
第11章 分类算法
11.1 k近邻算法
11.2 朴素贝叶斯算法
11.3 决策树
11.4 分类与回归树
11.5 支持向量机
11.6 案例
第12章 聚类算法
12.1 K均值算法
12.2 K均值聚类算法的过程
12.3 K均值聚类算法实例分析
12.4 K均值聚类算法代码实现
12.5 DBSCAN算法
12.6 DBSCAN算法实现
参考文献