本书通过通俗易懂的语言、丰富的图示和生动的实例，拨开了笼罩在机器学习上方复杂的数学“乌云”，让读者以较低的代价和门槛入门机器学习。 本书共分为11章，介绍了在Python环境下学习scikit-learn机器学习框架的相关知识，涵盖的主要内容有机器学习概述、Python机器学习软件包、机器学习理论基础、k-近邻算法、线性回归算法、逻辑回归算法、决策树、支持向量机、朴素贝叶斯算法、PCA算法和k-均值算法等。 本书适合有一定编程基础的读者阅读，尤其适合想从事机器学习、人工智能、深度学习及机器人相关技术的程序员和爱好者阅读。另外，相关院校和培训机构也可以将本书作为教材使用。   30秒极速了解本书精华内容： 1.       理论基础 机器学习的应用场景 机器学习编程的典型步骤 Python机器学习开发包：numpy、pandas和matplotlib 算法模型性能评估的指标和评估方法 2.       八大常用机器学习算法 k-近邻算法 线性回归算法 逻辑回归算法 决策树 支持向量机 朴素贝叶斯 PCA算法 k-均值算法 3.       七大实战演练案例 糖尿病检测 预测房价 乳腺癌检测 泰坦尼克号幸存者预测 文档类别预测 人脸识别 文档自动分类