《机器学习理论与实践》用通俗易懂的语言介绍了浅层机器学习、深度学习的主要模型原理及实现程序，以及编写机器学习程序所需要的编程语言背景与数据处理方法等。主要内容包括浅层监督学习模型，如线性模型、决策树模型、贝叶斯模型、支持向量机模型、k-近邻模型、人工神经网络模型、集成学习模型；浅层无监督学习模型，如k均值聚类方法、DBSCAN聚类方法；深度学习模型，如自动编码器、卷积神经网络；编程语言基础，包括Python基本语法，numpy库、pandas库、matplotlib库、os模块等；数据预处理方法，如图像处理方法（线性增强、空间域滤波、频率域滤波）、数据规范化方法（min-max数据规范化方法、z-score数据规范化方法）、类别编码方法（one-hot编码）、数据降维方法（主成分分析）；机器视觉领域常见的特征提取方法等。 《机器学习理论与实践》可作为高等院校相关专业学生的教材，还可作为对机器学习感兴趣读者的参考书。