本章，我们将介绍人工神经网络（artificial neural networks，ANN），一种用于强大的非线性回归和分类模型，用新的策略来克服感知器的缺点。

这一章，我们将介绍一种强大的分类和回归模型，称为支持向量机（support vector machine，SVM）。

这一章，我们将介绍另一种线性模型，称为感知器（perceptron）。

本章我们将介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。

本章，我们讨论无监督学习算法，聚类（clustering）。

本章我们要讨论一种简单的非线性模型，用来解决回归与分类问题，称为决策树（decision tree）。

这一章，我们讨论广义线性回归模型的具体形式的另一种形式，逻辑回归（logistic regression）。

本章，我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基础，影响到本书的所有章节。

本章介绍用线性模型处理回归问题。

本章我们简要介绍下机器学习（Machine Learning）的基本概念。主要介绍机器学习算法的应用，监督学习和无监督学习（supervised-unsupervised learning）的应用场景，训练和测试数据的用法，学习效果评估方式。最后，对scikit-learn进行一些简单的介绍。