《Python机器学习技术与应用（普通高等教育人工智能专业系列教材）》以机器学习初学者为教学对象，通过讲解机器学习的常用方法及实际应用，培养读者机器学习应用技能及计算思维能力。全书共12章，主要内容包括机器学习概述、Python语言基础、网络爬虫、数据预处理与特征工程、多元回归分析、分类方法、支持向量机、朴素贝叶斯方法、聚类分析方法、人工神经网络与深度学习、数据可视化、基于Pyecharts的大数据可视化图表。
　　《Python机器学习技术与应用（普通高等教育人工智能专业系列教材）》内容丰富、图文并茂，以数据分析流程为主线，算法与应用相结合，系统讲解常用的机器学习理论和分析方法，通过案例帮助读者快速掌握机器学习相关技术，以实现理论与实践的紧密结合。
　　《Python机器学习技术与应用（普通高等教育人工智能专业系列教材）》可以作为高等学校各类专业的机器学习通识课程教材，或计算机类专业学生的必修课教材，也可供对机器学习感兴趣的相关人员阅读。

前言

第1章 机器学习概述
1．1 机器学习的概念
1．2 机器学习的分类
1．2．1 实际问题的分类
1．2．2 根据训练方法进行分类
1．3 机器学习的开发流程
1．4 机器学习的应用
本章小结
习题

第2章 Python语言基础
2．1 Python语言概述
2．1．1 Python简介
2．1．2 Python优势
2．2 Python环境配置与使用
2．2．1 Anaconda的安装方法
2．2．2 Spyder的环境介绍
2．2．3 第三方库的安装方法
2．3 数据分析相关库的介绍
2．3．1 NumPy库
2．3．2 Pandas库
2．3．3 Skleam库
本章小结
习题

第3章 网络爬虫
3．1 网络爬虫基本知识
3．1．1 网络爬虫简介
3．1．2 HTTP协议
3．1．3 HTML语言
3．1．4 CSS样式表
3．1．5 JavaScript脚本
3．2 网页内容获取方法
3．2．1 requests主要方法
3．2．2 response对象
3．3 网页内容解析方法
3．3．1 BeautifuISoup
3．3．2 正则表达式
3．4 数据存储
3．4．1 TXT格式存储
3．4．2 JSON格式存储
3．4．3 CSV格式存储
3．4．4 图片文件存储
本章小结
习题

第4章 数据预处理与特征工程
4．1 数据预处理的主要方法
4．1．1 删除数据
4．1．2 缺失值处理
4．1．3 重复值处理
4．1．4 异常值处理
4．1．5 数据类型的转换
4．2 特征选择的主要方法
4．2．1 过滤法
4．2．2 包裹法
4．2．3 嵌入法
4．3 数据预处理与特征工程综合实例
Titanic生存分析
本章小结
习题

第5章 多元回归分析
5．1 多元线性回归
5．1．1 线性回归的基本原理
5．1．2 多元线性回归的实现
5．1．3 回归模型的评估指标
5．2 多重共线性问题
5．2．1 多重共线性的定义
5．2．2 岭回归
5．2．3 Lasso回归
5．3 非线性回归多项式回归
5．3．1 多项式回归的基本概念
5．3．2 多项式回归的实现
5．4 Logistic回归
5．4．1 Logistic回归模型
5．4．2 Logistic回归参数估计
5．4．3 Logistic回归评估指标
5．4．4 应用实例
本章小结
习题

第6章 分类方法
6．1 分类方法概述
6．2 决策树
6．2．1 决策树方法的基本概念
6．2．2 决策树方法的工作方式
6．2．3 属性选择的度量
6．2．4 决策树算法ID3算法
6．2．5 Skleam中决策树算法的实现
6．2．6 决策树算法应用实例
6．3 随机森林
6．3．1 随机森林概述
6．3．2 Skleam中随机森林算法的实现
6．3．3 随机森林算法应用实例
6．4 分类算法评估
6．4．1 评估准则
6．4．2 评估过程
6．4．3 评估方法
6．4．4 评估实例
本章小结
习题

第7章 支持向量机
7．1 支持向量机算法概述
7．2 SVM的分类实现方法及案例
7．2．1 SVC支持向量分类算法
7．2．2 NuSVC支持向量分类算法
7．2．3 LinearSVC线性支持向量分类算法
7．3 SVM的回归实现方法及案例
7．3．1 SVR回归实现方法
7．3．2 NuSVR回归实现方法
7．3．3 LinearSVR回归实现方法
7．4 SVM异常检测的实现方法
7．5 SVM实战人脸识别
7．5．1 导入并显示数据集
7．5．2 SVM分类器模型选择和优化
本章小结
习题
……
第8章 朴素贝叶斯方法
第9章 聚类分析方法
第10章 人工神经网络与深度学习
第11章 数据可视化
第12章 基于Pyecharts的大数据可视化图表
参考文献