本书围绕scikit-learn库，详细介绍机器学习模型、算法、应用场景及其案例实现方法，通过对相关算法循序渐进的讲解，带你轻松踏上机器学习之旅。本书采用理论与实践相结合的方式，结合Python3语言的强大功能，以最小的编程代价来实现机器学习算法。本书配套PPT课件、案例源码、数据集、开发环境与答疑服务。 本书共分13章，内容包括机器学习的基础理论、模型范式、策略、算法以及机器学习的应用开发，涵盖特征提取、简单线性回归、k近邻算法、多元线性回归、逻辑回归、朴素贝叶斯、非线性分类、决策树回归、随机森林、感知机、支持向量机、人工神经网络、K均值算法、主成分分析等热点研究领域。 本书可以作为机器学习初学者、研究人员或从业人员的参考书，也可以作为计算机科学、大数据、人工智能、统计学和社会科学等专业的大学生或研究生的教材。

邓立国，东北大学计算机应用博士毕业。广东工业大学任教，主要研究方向：数据挖掘、知识工程、大数据处理、云计算、分布式计算等。著有图书《scikit-learn机器学习实战》《Python数据分析与挖掘实战》《Python大数据分析算法与实例》《Python机器学习算法与应用》《数据库原理与应用（SQL Server 2016版本）》等图书。

前 言 机器学习实际上已经存在了几十年，或者也可以认为存在了几个世纪。追溯到17世纪，贝叶斯、拉普拉斯关于最小二乘法的推导和马尔可夫链，这些构成了机器学习广泛使用的工具和基础。从1950年艾伦·图灵提议搭建一个学习机器开始，到2000年年初深度学习的实际应用以及最近的进展，比如2012年的AlexNet，机器学习有了很大的发展。 scikit-learn项目最早由数据科学家 David Cournapeau在2007年发起，需要NumPy和SciPy等其他包的支持，它是Python语言中专门针对机器学习应用而发展起来的一款开源框架。 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构并使之不断改善自身的性能。它是人工智能的核心，即使计算机具有智能的根本途径。 本书针对机器学习这个领域，描述了多种学习模型、策略、算法、理论以及应用，基于Python3使用scikit-learn工具包演示算法解决实际问题的过程。对机器学习感兴趣的读者可通过本书快速入门，快速胜任机器学习岗位，成为人工智能时代的人才。 读者需要了解的重要信息 本书作为机器学习专业图书，介绍机器学习的基本概念、算法流程、模型构建、数据训练、模型评估与调优、必备工具和实现方法，全程以真实案例驱动，案例采用Python3实现。本书涵盖数据获得、算法模型、案例代码实现和结果展示的全过程，以机器学习的经典算法为轴线：算法分析→数据获取→模型构建→推断→算法评估。本书案例具有代表性...