本书较全面地介绍机器学习的基础知识和应用实践，旨在建立起读者从工程应用的角度，对机器学习领域的系统性认识。内容涵盖了Python与机器学习的基本概念、数据预处理、监督学习、非监督学习、半监督学习、集成学习、神经网络、模型部署与应用以及机器学习的发展方向等。通过本书学习，读者将获得比较实用的机器学习实践知识体系，并熟练应用机器学习相关方法和工具解决实际问题。 本书的目标读者是机器学习领域的初学者和希望将机器学习应用到实际工作中的人士。本书适合作为高校机器学习实践人门教材或参考书，也适宜作为自学材料，特别是对那些无编程背景但渴望掌握机器学习技能的读者而言，本书提供了绝佳的起点。

李鲁群，教授，博士，上海师范大学计算机硕士点学科负责人，从事计算机网络理论与应用、机器学习教学与研究。上海市高校教指委委员、上海市计算机协会物联网分会委员。近年来，完成教育部产学研协同育人项目12项、上海市教委重点项目3项、上海师范大学教学成果一等奖2项、上海市教学成果二等奖1项、上海市科技进步二等奖2项。主编《Python与数据分析及可视化》、《Android应用程序设计》教材2部。

前言 “章章铺开机学路，层层深入数据林； 节节高攀算法峰，步步稳行智慧海。”本书从工程应用的角度，构筑了一个全方位的学习体系，使读者能逐层深入机器学习的精华。 书中前两章开篇立意，纵览了机器学习的优势、应用、发展趋向及人才需求。Python的编程基础和必要工具（如Pandas与Matplotlib）的内容也做到提纲挈领、言简意赅，奠定了后续学习的技术基础。 第3~10章为核心内容。第3章使读者对机器学习流程的每一步骤有清晰的认识。第4章从数据属性、模型分类方法到数据的特征描述和差异度量，强调数据预处理的重要性，详细阐述了为建立高效模型所需的各项预处理技巧。 第5、6章分别为监督学习和非监督学习，内容涵盖常用算法及其在现实问题中的应用，如线性回归、逻辑回归等监督学习算法，以及K均值聚类等非监督学习方法。第7、8章分别为半监督学习和集成学习，各有着重，帮助读者应对部分标记数据的挑战并优化模型表现。第9章由浅入深地从神经网络基础概念延伸到深度学习的实际应用。紧随其后，第10章从模型存储和Web应用集成的角度，指导读者如何将训练好的模型部署到真实世界中。 第11章提供了机器学习未来可能的发展方向，从联邦学习到机器学习的自动化处理，提供读者更多先进的机器学习机遇和实践平台。 本书的特色： (1) 基础概念，言简意赅。从Python与机器学习的基本概念开始，逐步深入介绍了数据预处理、各类监督和非监督学习方法、神经网络等多个重要主题，使读者能够全面了解机器学习的基本概念与理论。 (2) 实践导向，目标明确。教学案例侧重应用机器学习...