本模块通过介绍机器学习背后的基本概念，特别是如何使用 Python 和 scikit-learn 机器学习模块进行机器学习，为课程的其余部分奠定基础。首先，您将了解机器学习的基本类型。接下来，您将学习应用机器学习算法前的一个重要步骤--数据预处理。最后，您将学习如何在 Python 脚本中利用不同类型的机器学习算法。

本模块介绍三种机器学习算法。首先，您将了解线性回归如何被视为一个机器学习问题，其参数必须通过最小化代价函数来计算确定。接下来，您将学习逻辑回归。尽管名字叫逻辑回归，但它是一种分类算法。最后，你将学习决策树，这是一种既可用于分类又可用于回归的流行机器学习算法。本模块将深入探讨机器分类的概念，即算法从现有的标注数据中学习，将新的、未见过的数据归入特定类别；以及机器回归的概念，即算法从数据中学习模型，对新的、未见过的连续数据进行预测。虽然这些算法的数学基础各不相同，但它们通常用于对数字、文本和图像数据进行分类，或在各种领域进行回归。

本模块将介绍另外三种机器学习算法：k-近邻、支持向量机和随机森林。它们都可用于分类或回归任务。

模型评估是任何数据分析项目不可或缺的组成部分。它有助于找出模型在预测未来（样本外）数据时的效果如何。本模块介绍机器学习算法的基本模型评估指标。首先，介绍回归的评估指标。接下来介绍分类的评估指标和技术。

本模块介绍模型优化技术。首先，介绍特征选择的基本技术。然后，介绍交叉验证技术，该技术可以对模型进行更准确的评估。最后，介绍使用交叉验证的模型选择或超参数调整。

在本模块中，您将开始将新的机器学习技能应用于一个令人兴奋的数据分析主题：文本分析。首先，我们将回顾文本数据转换为可由计算机处理的数字数据的过程。与此同时，我们还将学习一些新概念，重点是如何处理这些数据，以生成更好的机器学习预测。其次，我们将在文本数据中应用机器学习算法，特别是分类。最后，我们将探索文本分析中更高级的概念，并介绍一种特殊的文本分类：情感分析。

本模块介绍聚类，即根据某些特定属性（如空间距离或点的局部密度）将数据点分配到子点组中。人类通常能在给定的数据集中轻松找到直观的聚类，但在计算上，这个问题更具挑战性。本模块将首先探讨这种无监督学习技术背后的基本思想。首先介绍最流行的聚类技术之一 K-means。接下来，将提供一个 K-means 案例研究。最后介绍基于密度的 DBSCAN 技术。

本模块将介绍时间和日期数据，它们提供了独特的学习机会和挑战。首先，我们将讨论如何在 Python 程序中正确处理时间和日期特征。接下来，我们将进一步讨论如何处理由时间和日期信息索引的数据，即时间序列数据。