《机器学习》系统介绍机器学习的理论、模型和算法实现，主要内容包括机器学习实验环境的搭建、数据清洗、模型评估、监督学习的分类和回归问题、非监督学习的聚类和降维等理论介绍和底层算法实现。本书涵盖了K近邻算法、决策树、支持向量机、BP神经网络、卷积神经网络、循环神经网络、集成学习、Kmeans聚类、模糊聚类、主成分分析、独立成分分析等内容。每章均基于实战项目或案例介绍模型和算法的两种实现（scikitlearn、Keras或TensorFlow的调包实现与非调包底层代码实现），并给出相应的实验题目，以此加深读者对模型和算法的理解，提升读者对模型和算法的底层代码实现能力。 适合作为人工智能专业高年级本科生和研究生的教材，也可作为人工智能相关领域研究人员的自学教材。