本书图文并茂、深入浅出地介绍了机器学习算法所需的数学、Python语言编程基础知识，以及回归模型、K 近邻、K 均值、决策树、弱学习器集成、人工神经网络、深度学习等常用的机器学习算法。全书共10 章，每章习题中都配套了实验练习环节，实验内容包括Python 开发环境配置、机器学习算法的实际应用等，所有实验都配有Jupyter 的Python 代码，从而使读者既能掌握算法理论原理，又能进行实际应用。

　　本书适合作为普通高等院校本科或研究生阶段的人工智能、机器学习、数据挖掘等课程的教材，也适合作为自学的参考书。

目录

前言

第1章概述

1.1理解机器学习

1.2一些相关的概念

1.3机器学习的发展

1.4机器学习开发的准备工作

1.5本章小结

1.6习题

第2章基础知识

2.1线性代数

2.2概率与统计

2.3优化

2.4Python编程基础

2.5本章小结

2.6习题

第3章回归分析

3.1模型

3.2线性回归模型应用

3.3逻辑回归

3.4本章小结

3.5习题

第4章基于距离的算法

4.1分类与聚类的区别

4.2距离度量问题

4.3K近邻算法

4.4K均值聚类算法

4.5本章小结

4.6习题

第5章决策树

5.1初识决策树

5.2信息熵与信息增益

5.3决策树

5.4CART

5.5本章小结

5.6习题

第6章弱学习器集成算法

6.13种常用的弱学习器集成方法

6.2AdaBoost算法与GBDT算法

6.3XGBoost算法

6.4本章小结

6.5习题

第7章支持向量机

7.1支持向量机的相关概念

7.2线性支持向量机

7.3非线性支持向量机

7.4软间隔

7.5应用案例

7.6本章小结

7.7习题

第8章人工神经网络

8.1人工智能的概念

8.2神经元模型

8.3多层神经网络

8.4应用案例

8.5本章小结

8.6习题

第9章卷积神经网络

9.1人类视觉系统的启发

9.2CNN算法原理

9.3CNN应用

9.4本章小结

9.5习题

第10章用于处理时间序列的网络

10.1序列

10.2循环神经网络

10.3长短时记忆网络

10.4本章小结

10.5习题

参考文献