本书是一本理论与实践紧密结合的机器学习入门书籍，系统讲解机器学习的基本概念与核心原理，并通过丰富的实例与代码演示引导读者动手实践，内容涵盖数据预处理、特征工程、模型选择、模型评估等机器学习全流程。全书共13章，分为理论基础与实践应用两大部分。理论基础部分重点讲解经典机器学习方法，每种方法均配有基于Weka的实践步骤和基于Sklearn的代码实现。实践应用部分提供3个综合性案例，详细展示如何运用Weka和Sklearn解决实际问题。 本书理论与实践并重，注重对算法原理的直观理解与实际应用；提供Weka和Sklearn双平台实现，旨在满足不同读者的学习需求；提供丰富的实践案例，涵盖金融、遥感、社会经济等多个领域；代码注释详尽，便于读者理解与二次开发。 本书既可作为高等学校计算机类相关专业的本科教材，也可作为数据科学家、工程师及机器学习爱好者的自学参考用书。

徐光美(1977-),女，博士，副教授，CCF会员，研究方向为数据挖掘、计算机视觉。2008年1月于北京科技大学计算机应用技术专业获得博士学位。，现为信息学院计算机工程系教师，主要研究方向为数据挖掘。

前言 在当今数据驱动的时代，机器学习作为人工智能的核心技术之一，正日益成为各行各业的关键工具。无论是金融、医疗、零售还是制造业，机器学习都在推动着业务的智能化和效率的提升，同时也在改变着人们的生活和工作方式。然而，机器学习的复杂性和多样性使得初学者往往难以入门，许多书籍和教程要么过于理论化，缺乏实际操作的指导；要么过于注重工具的使用，忽略了理论基础的讲解。 本书旨在将理论与实践紧密结合，为读者提供一本既深入浅出又实用易懂的机器学习入门书籍。本书不仅详细讲解了机器学习的基本概念和原理，还通过丰富的实例和代码引导读者动手实践，从而加深对算法的理解。通过本书的学习，读者不仅能够掌握机器学习的核心理论，还能在实际项目中灵活应用这些技术，解决现实生活中的问题。 全书共13章，涵盖机器学习的各个环节，包括数据预处理、特征工程、模型选择、模型评估等。每章都以实际案例为基础，通过详细的讲解和代码示例，帮助读者在实际操作中理解和应用这些技术。 第1～10章详细讲解数据预处理、回归、最近邻分类、决策树、朴素贝叶斯、聚类、支持向量机和神经网络等经典机器学习理论和方法。每种方法都附有基于Weka的实践步骤和基于Sklearn的实践代码，帮助读者在实际操作中理解和应用这些技术。 数据预处理: 数据预处理是机器学习的第一步，也是至关重要的一步。本书详细介绍了数据清洗、数据转换、数据归一化等技术，帮助读者掌握处理和准备数据的方法。 回归: 回归分析是预测连续变量的常用方法。本书介绍了线性回归、逻辑回归等方法，并通过实例展示了如何使用这些方法进行预测。 最近邻分类: 最近邻分类是一种简单...