全书共分为3个部分：第一部分对机器学习进行入门级别的介绍。第一章通过对机器学习基本概念的讲解，帮助读者从概念原理上补充知识性的认识。第二章结合简单具体的案例，采用线性回归模型带领读者认识机器学习的整体过程，从而帮助读者在实践层面有大纲性认知。第三章对机器学习的实践工具进行介绍，包括Python的使用和相关软件的安装。第四章通过介绍机器学习云平台，使得读者在现有认识的基础上扩充视野。 第二部分将机器学习解决具体问题的步骤拆分成一个个具体章节进行介绍，其中第五章主要介绍了模型训练的数学算法原理。第六、七章介绍了数据预处理方法。第八章至第十一章分别采用原理介绍、项目实践的方式，介绍常见的机器学习模型：贝叶斯模型、广义线性回归、支持向量机、决策树。第十二章、第十三章，采用同样的教学方式，介绍了常用的神经网络模型如多层感知器、卷积神经网络等和集成学习模型。第十四章介绍了机器学习模型的正则化原理。第十五章在现有内容的基础上，更加详细和全面地介绍了机器学习模型的评价指标。第十六章则介绍了无监督学习的常见算法，如Kmeans聚类、高斯混合模型、谱聚类、DBSCAN等。 第三部分则通过实用的科研项目，加深读者的知识沉淀和应用技能。书中考虑采用实际问题的“行人检测项目”、“餐厨垃圾处理的指标预测”作为教学项目。 本书对标国外计算机黑皮书系列教材，其定位是结合原理和实践的科研教学书籍，旨在讲解机器学习知识以及深度学习基础知识。书中每章结尾均安排辅助训练题，同时给出答案和解题代码，以便读者加深课程知识。