这是一部指导读者如何将软件工程的思想、方法、工具和策略应用到机器学习实践中的著作。

作者融合了自己10年的工程实践经验，以Python为工具，详细阐述机器学习核心概念、原理和实现，并提供了数据分析和处理、特征选择、模型调参和大规模模型上线系统架构等多个高质量源码包和工业应用框架，旨在帮助读者提高代码的设计质量和机器学习项目的工程效率。

全书共16章，分为4个部分：

第一部分 工程基础篇（1～3章）

介绍了机器学习和软件工程的融合，涉及理论、方法、工程化的数据科学环境和数据准备；

第二部分 机器学习基础篇（4、5章）

讲述了机器学习建模流程、核心概念，数据分析方法；

第三部分 特征篇（6～8章）

详细介绍了多种特征离散化方法和实现、特征自动衍生工具和自动化的特征选择原理与实现；

第四部分 模型篇（9～16章）

首先，深入地剖析了线性模型、树模型和集成模型的原理，以及模型调参方法、自动调参、模型性能评估和模型解释等；然后，通过5种工程化的模型上线方法讲解了模型即服务；最后，讲解了模型的稳定性监控的方法与实现，这是机器学习项目的最后一环。