本书面向初学者，使用Python语言以及流行的scikit-learn机器学习库等资源，通过易于实践的项目，帮助读者掌握开发有效的机器学习系统所需的流程、模式和策略。 与包含大量数学公式的书籍不同，本书主要通过故事、图片和代码示例来讲解机器学习的概念和技术，尽量减轻读者在数学方面的负担，但要求读者具备一定的编程基础。书中逐步引导读者完成构建、训练和评估学习系统的每一步，在此过程中，根据需要不断填充机器学习系统的各个组成部分，拓展机器学习工具箱，并尝试探索复杂的新技术。 本书主要内容： 理解机器学习的算法、模型和核心概念。 构建分类器和回归器。 评估机器学习系统的性能。 利用特征工程将原始的粗糙数据平滑成有用的格式。 将多个组件连接到一个系统中，并调整其性能。 将机器学习技术应用于图像处理和文本处理。 将核心概念与神经网络和图模型联系起来。

译者序
推荐序
前言
作者简介
第一部分 机器学习入门
第1章 机器学习概论
1.1 欢迎来到机器学习的世界
1.2 范围、术语、预测和数据
1.2.1 特征
1.2.2 目标值和预测值
1.3 让机器开始机器学习
1.4 学习系统举例
1.4.1 预测类别：分类器举例
1.4.2 预测值：回归器举例
1.5 评估机器学习系统
1.5.1 准确率
1.5.2 资源消耗
1.6 创建机器学习系统的过程
1.7 机器学习的假设和现实
1.8 本章参考阅读资料
1.8.1 本书内容
1.8.2 章节注释
第2章 相关技术背景
2.1 编程环境配置
2.2 数学语言的必要性
2.3 用于解决机器学习问题的软件
2.4 概率
2.4.1 基本事件
2.4.2 独立性
2.4.3 条件概率
2.4.4 概率分布
2.5 线性组合、加权和以及点积
2.5.1 加权平均
2.5.2 平方和
2.5.3 误差平方和
2.6 几何视图：空间中的点
2.6.1 直线
2.6.2 直线拓展
2.7 表示法和加1技巧
2.8 渐入佳境：突破线性和非线性
2.9 NumPy与“数学无所不在”
……
第二部分 通用评估技术
第三部分 更多方法和其他技术
第四部分 高级主题
附录 mlwpy.py程序清单