"《Python機器學習及實踐》內容由淺入深，既有原理介紹，又有實戰操作，使讀者在實踐中掌握相關知識，並為解決問題提供詳細的方法。《Python機器學習及實踐》具有超強的實用性，實例豐富，書中給出了80多個實例讓讀者理解概念、原理和算法。《Python機器學習及實踐》以理論與實踐相結合為出發點，介紹Python機器學習的相關內容，即使沒有機器學習基礎的讀者也可以快速上手。"

●第1章 機器學習的基礎知識
1.1 何謂機器學習
1.1.1 傳感器和海量數據
1.1.2 機器學習的重要性
1.1.3 機器學習的表現
1.1.4 機器學習的主要任務
1.1.5 選擇合適的算法
1.1.6 機器學習程序的步驟
1.2 綜合分類
1.3 推薦繫統和深度學習
1.3.1 推薦繫統
1.3.2 深度學習
1.4 何為Python
1.4.1 使用Python軟件的由來
1.4.2 為什麼使用Python
1.4.3 Python設計定位
1.4.4 Python的優缺點
1.4.5 Python的應用
1.5 Python編程第一步
1.6 NumPy函數庫基礎
1.7 Python迭代器與生成器
1.7.1 迭代器
1.7.2 生成器
1.8 多線程
1.8.1 學習Python線程
1.8.2 線程模塊
1.8.3 線程同步
1.8.4 線程優先級隊列（Queue）
1.9 小結
1.10 習題
第2章 Python近鄰法
2.1 k近鄰法的三要素
2.1.1 k選擇
2.1.2 距離度量
2.1.3 分類決策規則
2.2 k近鄰法
2.3 kd樹
2.3.1 什麼是kd樹
2.3.2 如何構建kd樹
2.3.3 如何在kd樹中搜索
2.4 Python實現kd樹、k近鄰法
2.5 小結
2.6 習題
第3章 Python數據降維
3.1 維度災難與降維
3.2 主成分分析
3.2.1 PCA原理
3.2.2 PCA算法
3.2.3 PCA降維的兩個準則
3.3 SVD降維
3.4 核主成分分析降維
3.5 流形學習降維
3.6 多維縮放降維
3.6.1 原理
3.6.2 MDS算法
3.7 等度量映射降維
3.8 局部線性嵌入
3.8.1 原理
3.8.2 LLE算法
3.9 非負矩陣分解
3.10 小結
3.11 習題
……
第4章 Python分類算法
第5章 Python回歸算法
第6章 Python聚類算法
第7章 Python神經網絡
第8章 Python推薦算法
第9章 Python頻繁項集
第10章 Python數據預處理
參考文獻

Python是目前比較熱門的編程語言，以簡單易學、應用廣泛、類庫強大而著稱，是實現機器學習算法的優選語言。本書以Python 3.6.5為編寫平臺，以幫助讀者快速上手、理論與實踐相結合為出發點，介紹Python機器學習的相關內容。全書共10章，分別介紹了機器學習的基礎知識、近鄰法、數據降維、分類算法、回歸算法、聚類算法、神經網絡、推薦算法、頻繁項集、數據預處理。通過本書的學習，讀者可了解Python編程及在機器學習中的應用。本書可作為對Python和機器學習感興趣的初學者的參考書，也可作為從事Python開發的廣大科研人員、學者、工程技術人員的參考書，還可作為高等院校人工智能、計算機等相關專業的教材。

     第3章 CHAPTER 3 Python數據降維 伴隨ICT(通信與信息技術)和互聯網技術的不斷發展，人們收集和獲得數據的能力越來越強。而這些數據已呈現出維數高、規模大和結構復雜等特點。 人們想利用這些大數據(維數大、規模大、復雜大)，挖掘其中有意義的知識和內容以指導實際生產和具體應用，數據的降維就顯得尤為重要了。數據降維又稱為維數約簡。顧名思義，就是降低數據的維數。為什麼要降低數據的維數？如何有效地降低數據的維數？由此問題引發了廣泛的研究和應用。 數據降維，一方面可以解決“維數災難”，緩解“信息豐富、知識貧乏”現狀，降低復雜度； 另一方面可以更好地認識和理解數據。 截止到目前，數據降維的方法很多。從不同的角度入手可以有著不同的分類，主要分類方法有： 根據數據的特性可以劃分為線性降維和非等