机器学习和深度学习已经成为从业人员在人工智能时代的技术，被广泛应用于图像识别、自然语言理解、推荐系统、语音识别等多个领域，并取得了丰硕的成果。目前，很多高校的人工智能、软件工程、计算机应用等专业均已开设了机器学习和深度学习的课程，此外，为便于让学生掌握一些大数据的分析和可视化技术，有一些非计算机专业也开设了与机器学习相关的课程。同时，企业中的一些软件开发人员也想学习相关行业中机器学习和深度学习技术应用的真实案例，而不用过多关注机器学习和深度学习中的一些数学知识。但是，在市面上能够同时满足上述需求的参考书并不多，而《机器学习和深度学习:原理、算法、实战(使用Python和TensorFlow)》恰好是一本能满足高校学生及相关从业人员需求的机器学习和深度学习的参考书。
本书的作者是两位资深的行业专家并且拥有多年的企业培训经验，他们以案例式的编写方式由浅入深地讲解了机器学习和深度学习技术,让读者能够快速掌握机器学习和深度学习的原理及相关应用。在本书的翻译过程中，我们翻阅了大量资料，力求为读者献上-部贴近实际应用且通俗易懂的机器学习与深度学习方面的参考书。

第1章  机器学习与深度学习概述 1
1.1  人工智能与机器学习的历史 2
1.2  机器学习项目的基础 3
1.3  机器学习算法与传统计算机程序 4
1.4  深度学习的工作原理 4
1.5  机器学习与深度学习的应用 5
1.5.1  日常生活中的应用 5
1.5.2  机器学习在制造业中的应用 5
1.5.3  机器人技术的应用 6
1.5.4  银行与金融领域的应用 6
1.5.5  深度学习的应用 7
1.6  本书的组织结构 7
1.7  预备知识 —— 数学基础 9
1.8  术语 9
1.9  机器学习 —— 扩展视野 10
1.9.1  人工智能发展现状 10
1.9.2  人工智能未来的影响力 11
1.9.3  与人工智能相关的伦理、社会和
法律问题 12
1.10  Python及其作为机器学习语言的
潜力 13
1.11  关于TensorFlow 13
1.12  本章小结 13
第2章  Python编程与统计学基础 15
2.1  认识Python 15
2.1.1  为什么使用Python 16
2.1.2  Python的版本 16
2.1.3  Python IDE 17
2.1.4  安装Python 18
2.2  Python编程入门 20
2.2.1  使用Spyder IDE 20
2.2.2  第一个代码示例 21
2.2.3  错误和错误信息 23
2.2.4  命名约定 24
2.2.5  使用print输出消息 25
2.3  Python中的数据类型 25
2.3.1  数值 25
2.3.2  字符串 26
2.3.3  列表 27
2.3.4  字典 28
2.4  Python中的包 30
2.4.1  NumPy 32
2.4.2  Pandas 33
2.4.3  Matplotlib 34
2.4.4  ScikitLearn 35
2.4.5  nltk 35
2.4.6  TensorFlow 35
2.5  Python中的条件语句和循环
语句 35
2.6  数据处理与使用Pandas深入
分析数据 37
2.6.1  数据导入和数据集的基本信息 38
2.6.2  子集和数据筛选器 41
2.6.3  Pandas中实用的函数 45
2.7  基本的描述性统计 47
2.7.1  平均值 48
2.7.2  中位数 49
2.7.3  方差和标准差 50
2.8  数据探索 52
2.8.1  探索数值型连续变量 53
2.8.2  探索离散变量和分类变量 61
2.8.3  探索其他类型的变量 63
2.9  本章小结 65
2.10  本章习题 65
第3章  回归与逻辑回归 67
3.1  什么是回归 67
3.2  构建回归模型 70
3.2.1  获取回归系数 70
3.2.2  回归线示例 74
3.3  R-squared 77
3.4  多元回归 80
3.5  回归中的多重共线性 83
3.5.1  什么是多重共线性 85
3.5.2  多重共线性的检测 87
3.5.3  计算VIF 88
3.6  回归中各变量的影响力 93
3.6.1  P-value 93
3.6.2  P -value的理论 96
3.7  构建多元回归模型的步骤 97
3.8  逻辑回归模型 97
3.9  构建逻辑回归模型 102
3.10  逻辑回归线的准确率 104
3.11  多元逻辑回归线 107
3.12  逻辑回归中的多重共线性 111
3.13  变量的个体影响力 113
3.14  构建逻辑回归模型的步骤 116
3.15  比较线性回归模型与逻辑
回归模型 116
3.16  本章小结 117
3.17  本章习题 118
第4章  决策树 119
4.1  什么是决策树 119
4.2  划分准则：熵和信息增益 123
4.2.1  熵：不纯度的度量 124
4.2.2  信息增益 125
4.2.3  基尼系数：与熵类似的方法 127
4.3  决策树算法 128

4.4  实例研究：基于客服中心的
数据对客户分类(细分) 132
4.4.1  研究目标和数据探索 132
4.4.2  使用Python构建模型 135
4.4.3  绘制决策树 136
4.4.4  理解树的输出 137
4.4.5  验证树的准确率 142
4.5  过拟合的问题 143
4.5.1  巨大的决策树 143
4.5.2  训练数据和测试数据 145
4.5.3  过拟合 146
4.6  决策树的剪枝 149
4.7  欠拟合的挑战 152
4.8  使用二分搜索法设置剪枝参数 152
4.9  其他剪枝参数 154
4.9.1  叶子节点的最大数量 154
4.9.2  min_samples_in_leaf_node参数 155
4.10  构建决策树模型的步骤 156
4.11  本章小结 156
4.12  本章习题 157
第5章  模型选择和交叉验证 159
5.1  构建模型的步骤 159
5.2  模型验证指标：回归 161
5.3  实例：华盛顿金县的房屋销售 162
5.3.1  研究目标和数据 162
5.3.2  构建和验证模型 165
5.4  模型验证指标：分类 167
5.4.1  混淆矩阵和准确率 167
5.4.2  不均衡分类的度量 169
5.5  权衡偏差与方差 189
5.5.1  过拟合的问题：方差 189
5.5.2  欠拟合问题：偏差 190
5.5.3  权衡偏差与方差 190
5.5.4  案例研究：皮马印第安人糖尿病
预测 192
5.6  交叉验证 195
5.6.1  交叉验证：一个示例 195
5.6.2  K-折交叉验证 197
5.6.3  训练集-验证集-留出交叉验证
方法 199
5.7  特征工程的技巧和诀窍 201
5.7.1  什么是特征工程 202
5.7.2  创建哑变量或独热编码 205
5.7.3  处理经度和纬度 214
5.7.4  处理日期类型的变量 219
5.7.5  数据转换 225
5.......

本书以通俗易懂的风格介绍了机器学习和深度学习技术，只涉及了基本的数学知识。本书由两位机器学习和深度学习领域的专家编写，书中的案例涵盖了银行、保险、电子商务、零售和医疗等多个行业。本书讲述如何在当今的智能设备和应用程序中使用机器学习和深度学习技术。本书提供了对书中涉及的数据集、代码和示例项目的下载。 l 机器学习和深度学习的概念 l 随机森林和提升方法 l Python编程与统计学基础 l 人工神经网络 l 回归与逻辑回归 l TensorFlow与Keras l 决策树 l 深度学习超参数 l 模型选择与交叉验证 l 卷积神经网络(CNN) l 聚类分析 l 循环神经网络(RNN)和长短期记忆网络(LSTM)

Venkata Reddy Konasani 是一位数据科学领域的培训讲师。他拥有10年的数据分析和数据科学方面的经验，并且有6年培训讲师经验。他擅长构建信用风险模型，擅长营销分析及社交媒体分析。
目前，Venkata为Oracle、IBM、CTS及美国银行等公司定期举办数据科学方面的培训。他组织了逾100次关于机器学习和深度学习主题的企业培训。
Venkata是Statifer.com(数据科学在线学习公司)的联合创始人。他毕业于孟买印度理工学院，获得应用统计和信息学硕士学位，目前居住在印度的维杰亚瓦达。

Shailendra Kadre在印度的班加罗尔从事管理和信息技术顾问工作。他拥有在多个领域逾20年的工作经验，包括数字转型、机器学习、预售、信息技术项目和产品领域。他在这些领域出色地担任了许多关键的领导角色。他曾就职于多家全球性的一流公司，如惠普有限公司、塔塔咨询服务公司和马衡达信息技术有限公司等。Shailendra是 Going Corporate: A Geek’s Guide 一书的作者，也是Practical Business Analytics Using SAS: A Hands-on Guide一书的合著者。
他毕业于德里印度理工学院，获得设计工程专业硕士学位。他与妻子Meenakshi、女儿Neha和儿子Vivek在班加罗尔生活。