本书系统地阐述机器学习中常见的几类算法模型，包括模型的思想、原理及实现细节等。同时，本书还结合了当前热门的机器学习框架sklearn，对书中所涉及的模型在用法上进行详细讲解。 全书共10章，第1章介绍机器学习开发环境的配置；第2章讲解线性回归模型的基本原理、回归模型中常见的几种评价指标，以及用于有监督模型训练的梯度下降算法；第3章介绍逻辑回归模型的基本原理和分类模型中常见的几种评价指标；第4章介绍模型的改善与泛化，包括特征标准化、如何避免过拟合及如何进行模型选择等；第5章讲解K近邻分类算法的基本原理及kd树的构造与搜索；第6章介绍朴素贝叶斯算法的基本原理；第7章介绍几种常见的文本特征提取与模型复用，包括词袋模型和TF-IDF等；第8章讲解决策树与集成学习，包括几种经典的决策树生成算法和集成模型；第9章介绍支持向量机的基本原理与求解过程；第10章介绍几种经典的聚类算法及相应的评价指标计算方法。 本书包含大量的代码示例及实际案例介绍，可以作为计算机相关专业学生入门机器学习的读物，也可以作为非计算机专业及培训机构的参考用书。

第1章 环境配置
1.1 安装Conda
1.1.1 Windows环境
1.1.2 Linux环境
1.2 替换源
1.3 Conda环境管理
1.3.1 虚拟环境安装
1.3.2 虚拟环境使用
1.4 PyCharm安装与配置
1.5 小结
第2章 线性回归
2.1 模型的建立与求解
2.1.1 理解线性回归模型
2.1.2 建立线性回归模型
2.1.3 求解线性回归模型
2.1.4 sklearn简介
2.1.5 安装sklearn及其他库
2.1.6 线性回归示例代码
2.1.7 小结
2.2 多变量线性回归
2.2.1 理解多变量
2.2.2 多变量线性回归建模
2.2.3 多变量回归示例代码
2.3 多项式回归
2.3.1 理解多项式
2.3.2 多项式回归建模
2.3.3 多项式回归示例代码
2.3.4 小结
2.4 回归模型评估
2.4.1 常见回归评估指标
2.4.2 回归指标示例代码
2.4.3 小结
2.5 梯度下降
2.5.1 方向导数与梯度
2.5.2 梯度下降算法
2.5.3 小结
2.6 正态分布
2.6.1 一个问题的出现
2.6.2 正态分布
2.7 目标函数推导
2.7.1 目标函数
2.7.2 求解梯度
2.7.3 矢量化计算
2.7.4 从零实现线性回归
2.7.5 小结
第3章 逻辑回归
3.1 模型的建立与求解
3.1.1 理解逻辑回归模型
3.1.2 建立逻辑回归模型
3.1.3 求解逻辑回归模型
3.1.4 逻辑回归示例代码
3.1.5 小结
3.2 多变量与多分类
3.2.1 多变量逻辑回归
3.2.2 多分类逻辑回归
3.2.3 多分类示例代码
3.2.4 小结
3.3 常见的分类评估指标
3.3.1 二分类场景
3.3.2 二分类指标示例代码
3.3.3 多分类场景
……
第4章 模型的改善与泛化
第5章 K近邻
第6章 朴素贝叶斯
第7章 文本特征提取与模型复用
第8章 决策树与集成学习
第9章 支持向量机
第10章 聚类