之前看国内外的 Python 机器学习的书，鲜有将机器学习到底怎么做人脸识别、怎么做风险控制、怎么做 OCR 算法模型列出的，并且真正的一个 Python 应用，不止是从机器学习库中导入一下配置一下参数那么简单。我们所有的例子程序，独此一家，别无分号。
本书的主要内容分为四大部分：
（1）Python开发程序的一些方法技巧，如虚拟环境管理、敏捷开发入门、单元测试等；
（2）Python中的一些中级使用技巧，如列表生成式、多线程与多进程、Python程序性能分析等；
（3）机器学习的基本概念和常用算法介绍，以及如何选择合适的算法；
（4）一些使用Python进行建模和机器学习的实际例子。
我们这样设计是在平时工作学习中发现，作为程序员和数据建模或者机器学习的同事在知识结构和实际应用程序上有一些差异。很多程序员无法理解模型的训练、调参等概念，因为这些和传统的不管是瀑布式还是敏捷式的开发都大相径庭；而建模人员对于一个应用项目的需求、详细设计、开发、测试、部署、性能等也很难理解。于是我们在实践中逐渐摸索并采用的方法就是大家都各自往前走一步，程序人员要了解建模的基本流程，而作为建模人员要了解开发的各个步骤的来龙去脉。
本书既能为Python程序开发人员夯实基础，提升编程技能，又能为使用Python的机器学习从业者提供大量实际案例，使其获得机器学习实战经验，帮助开发人员和建模人员取长补短，弥补各自知识结构上的欠缺，打造更优秀的具有综合能力的团队。
因为篇幅有限，只能蜻蜓点水，各方面略有涉及。
目录如下：
第一部分Python开发实战
第一章开发环境选择与比较
第二章Anaconda使用介绍
第三章开发规范与方法
第四章单元测试与代码覆盖率
第二部分Python编程技巧
第五章列表生成式
第六章Collections库
第七章迭代器
第八章Python多线程与多进程浅析
第九章Python程序性能分析初步
第三部分Python机器学习基础
第十章机器学习基础
第十一章主要算法概览
第十二章K近邻算法
第十三章主成分分析
第十四章逻辑回归
第十五章朴素贝叶斯分类器
第十六章决策树算法
第十七章支持向量机
第十八章K-Means聚类
第十九章人工神经网络
第二十章如何选择合适的算法
第二十一章Python机器学习工具
第四部分Python机器学习实例
第二十二章基于RFM的P2P用户聚类模型
第二十三章文本的主题分类
第二十四章利用机器翻译实现自然语言查询
第二十五章身份证汉字和数字识别
第二十六章人脸识别
稍后，我们将赠送一些书籍给需要的朋友们！
