为什么要写这本书

人工智能已经成为当今世界主要行业发展的;助推剂，深入我们生活的方方面面。机器学习作为实现人工智能的主要途径，是人工智能中最具智能特征及前沿性的研究领域之一。机器学习研究使计算机具有类似于人类的辨别、分析和学习的能力，其相关研究和应用引起了业界的普遍关注。特别是近些年来，机器学习取得了长足的进展，已经深入科技、金融、医学、政务、商业、教育等很多领域。读者可以发现，很多企业的用人需求已经要求具备机器学习的知识背景。因此，对于信息技术从业者或学生而言，掌握机器学习的专业能力就显得尤为重要。

机器学习开发入门和基本能力的构建通常需要一定的理论基础，这往往需要理解相关的模型和算法，甚至还需要钻研那些令初学者望而生畏的数学推导公式。很多学者的著作更多的是从数学原理来分析机器学习算法的整个过程，但对于基础知识的引入及相关应用实例的讲解显得不足。从笔者的教学实践经验来看，初学者更好的学习路径应该是：先了解某种机器学习算法的主要目的，然后基于代码实现引导读者理解机器学习算法的运作原理，最后通过案例化的介绍帮助读者尝试如何运用该算法。读者如果能完成这3个步骤，基本就可以实现从初识到基本会用的进阶。当然，在理解了运作机制之后，如果能结合数学背景去理解算法深层的理论原理则更好。笔者基于这样的思考，撰写了本书。希望本书能成为机器学习入门读者常翻阅的指南，并帮助读者顺利进入神秘而有趣的机器学习世界。

本书特色

本书以笔者一线教学实践和相关课题的积累为基础，从机器学习算法的原理出发，介绍多个重要机器学习算法的基本原理，然后基于Python介绍机器学习算法对应的具体实现，通过对代码的分析与讲解帮助读者较快理解算法的底层逻辑和实现细节。接着从实例出发，介绍算法可应用的领域和与案例相关的实现过程，让读者进一步了解机器学习算法的具体应用场景。本书最大的特点是以机器学习的实现和应用为内容主体，尽量做到让读者易学能用。

全书分为上、下两篇，分别为基础机器学习算法和基于神经网络的机器学习算法。

基础机器学习算法部分以机器学习基础为开端，介绍进行机器学习开发所必备的Python知识，然后讲解6种基础但十分重要的机器学习算法。

基于神经网络的机器学习算法部分将学习重点转移至人工神经网络的机器学习算法，在介绍人工神经网络的原理后，介绍3种重要的基础神经网络算法。

本书具有以下特点。

（1）以实现和应用为主线介绍机器学习算法模型，做到了理论与实践相结合，算法与应用相结合。

（2）针对每个算法理论，不仅有偏重原理剖析的Python代码实现讲解，还有侧重如何使用该算法的实例介绍，让读者能通过编写简单案例快速看到效果。

（3）对机器学习算法模型进行了较全面的介绍，不仅介绍了基础算法，还引入了神经网络算法，使读者在面对新的应用场景时能够选用合适的算法实现。

（4）本书适合机器学习领域的初级从业者和研究生，各章内容基本自成体系，便于读者选择性阅读。

写给读者的学习建议

阅读本书时，如果读者是零基础，建议从第1章开始学习，接着以Python基础内容为主线，快速掌握Python编码的基本技能。当然，如果读者已具备Python基础，可以直接从第3章开始学习。如果读者已经对基本的机器学习算法有所了解，或者想直接学习基于人工神经网络的机器学习方法，则可以直接进入下篇的学习。

另外，特别建议读者在学习某一种机器学习算法时，一定要先学习该算法的原理并动手进行基本实现。只看不做，很难理解算法的原理。在掌握基本实现的细节后，完成案例的编码和测试也同样重要。一方面，这是在巩固对算法的理解；另一方面，这是从掌握基础到学会运用的必经之路。

原理十代码十案例闭环，打通学练用链路：从原理到实战，每个算法配实操案例，助力快速掌握落地能力，学完就能上手应用。

Python零基础友好，轻松跨越入门门槛：开篇详解Python基础，拆解复杂算法，代码详细解析，零基础也能快速上手，降低入门难度。

覆盖基础十神经网络核心算法：上篇夯实6大基础算法，下篇深研神经网络，构建完整知识体系，适配不同阶段学习进阶需求。

章节自成体系，学习路径自主定制：单章独立成篇，按需选学，零基础可系统学，有基础能直接进阶，灵活规划高效学习路径。

理论实践深度结合，适配多元学习场景：兼顾原理与实战，案例覆盖多领域，精准匹配不同学习与应用需求。

近年来人工智能的显著进步，得益于数据、算力和算法的快速协同发展。对于人工智能应用相关的广大从业者而言，在拥有足够的数据和充裕的算力资源的情况下，如何将数据和算力所能产生的效果有效释放，真正实现人工智能对已有业务的赋能，则有赖于合理高效的设计和运用机器学习的相关算法。

本书分上、下两篇，共12章，以Python语言为基础，系统地讲解了机器学习算法基础，常见的机器学习相关算法的原理、实现与应用，以及深度学习相关算法的原理、实现与应用等内容。本书旨在带领读者探索人工智能时代的算法奥秘，引导读者学习主要的机器学习算法原理，并学会基本运用。本书基本做到单章自成体系，读者可以根据兴趣或应用需要自行安排阅读顺序。

本书适合机器学习算法的初学者、自学机器学习基础知识的程序员阅读，也可作为计算机类或电子信息类研究生的参考书。

陈卓

博士，博士后，重庆理工大学计算机科学与工程学院副教授，硕士生导师，IEEE会员及CCF会员。长期从事智能算法在网络领域的研究与应用。先后主持和参与10余项各类科研课题，包括国家自然科学基金项目、重庆市技术创新与应用发展项目、重庆市基础科学与前沿技术研究项目及多项企业合作项目等。已在国内外重要期刊和会议上发表论文30余篇。已授权发明专利10余项，出版著作2部。曾荣获重庆市科技进步一等奖和云南省科技进步三等奖。

陆艳军

高级工程师，重庆理工大学计算机科学与工程学院教师、硕士生导师。曾在中国移动从事网络信息安全相关科研工作。研究方向为算法设计与应用及计算机网络，主要讲授Python程序设计、数据科学等课程。参加工作以来先后取得信息系统项目管理师、CISSP、CISP_CISE等专业技术认证。

上篇 基础机器学习算法第1章 打开机器学习的大门1.1 人工智能简介1.1.1 人工智能的产生及发展过程1.1.2 人工智能的应用领域1.2 机器学习与人工智能1.2.1 机器学习和人工智能的关系1.2.2 机器学习分类1.3 机器学习应用的开发过程1.3.1 机器学习开发的基本步骤1.3.2 机器学习开发的常用;利器1.4 本章小结第2章 Python 机器学习必备基础2.1 Python 及其与机器学习之间的关系2.1.1 Python 的特点2.1.2 利用Python 进行机器学习开发的优势2.1.3 Python 的语法规则2.2 Python 机器学习开发环境及常用库介绍2.2.1 Anaconda 安装及环境介绍2.2.2 利用Jupyter Notebook 进行开发2.2.3 NumPy 和Pandas 常用库2.2.4 利用Matplotlib 库绘制图形2.3 Python 机器学习中的数据预处理2.3.1 什么是数据统计2.3.2 结构化数据文件读取2.3.3 数据清洗2.3.4 数据规整化2.3.5 统计分析常用函数2.4 本章小结第3章 决策树算法原理、实现与应用3.1 决策树算法的原理3.1.1 什么是决策树3.1.2 构建决策树3.2 决策树算法的实现3.2.1 决策树的算法模型3.2.2 算法的执行流程3.2.3 标签编码3.2.4 数据集划分3.2.5 分类器算法评价方法3.2.6 模型保存及使用3.3 决策树算法的应用实战3.3.1 案例1：运用决策树实现分类器3.3.2 案例2：运用决策树进行水果分类判断3.4 本章小结第4章 K最近邻算法原理、实现与应用4.1 K最近邻算法的原理4.1.1 什么是K最近邻算法4.1.2 K最近邻算法三要素4.2 K最近邻算法的实现4.2.1 数据归一化处理4.2.2 初始化K 最近邻算法4.2.3 参数调优方法4.2.4 算法的执行流程4.3 K最近邻算法的应用实战4.3.1 案例1：通过K最近邻算法有效实现数据分类4.3.2 案例2：运用K最近邻算法实现婚恋网站匹配推荐4.3.3 案例3：运用K最近邻算法实现手写数字识别4.4 本章小结第5章 贝叶斯算法原理、实现与应用5.1 贝叶斯算法的原理5.1.1 贝叶斯定理5.1.2 判别模型和生成模型5.1.3 朴素贝叶斯模型原理5.2 朴素贝叶斯算法的实现5.2.1 朴素贝叶斯算法类5.2.2 朴素贝叶斯算法的执行流程5.2.3 文本特征提取方法5.3 朴素贝叶斯算法的应用实战5.3.1 案例1：使用朴素贝叶斯算法进行文本分类5.3.2 案例2：使用朴素贝叶斯算法进行垃圾邮件过滤5.4 本章小结第6章 支持向量机算法原理、实现与应用6.1 支持向量机算法的原理6.2 支持向量机算法的实现6.2.1 支持向量机的核函数6.2.2 支持向量机算法的基本实现6.2.3 图像数据读取处理方法6.3 支持向量机算法的应用实战6.3.1 案例1：使用支持向量机算法进行水质评估6.3.2 案例2：使用支持向量机实现手写数字识别6.3.3 案例3：使用支持向量机算法实现人脸识别6.4 本章小结第7章 线性回归算法原理、实现与应用7.1 线性回归算法的原理7.1.1 什么是线性回归7.1.2 线性回归的数学模型7.2 线性回归算法的实现7.2.1 线性回归中的目标函数和损失函数7.2.2 线性回归算法的具体实现7.3 线性回归算法的应用实战7.3.1 案例1：使用线性回归算法进行房地产销售影响因素分析7.3.2 案例2：使用线性回归算法进行空气质量预测7.4 本章小结第8章 集成学习算法原理、实现与应用8.1 集成学习算法的原理8.1.1 什么是集成学习8.1.2 集成学习的分类8.2 集成学习算法的实现8.2.1 基于特征的集成方法8.2.2 基于数据的集成方法8.2.3 集成学习算法的具体应用8.3 集成学习算法的应用实战8.3.1 案例1：集成学习算法实现高效数据分类8.3.2 案例2：使用集成学习算法进行人脸识别8.4 本章小结

下篇 基于神经网络的机器学习算法第9章 人工神经网络基础9.1 人工神经网络的基本原理9.1.1 人工神经网络及其与传统机器学习方法的区别9.1.2 什么是深度学习9.2 人工神经网络中的重要概念及基础9.2.1 多维数组运算9.2.2 激活函数9.2.3 多层神经网络9.2.4 损失函数和梯度的实现9.2.5 过拟合问题9.3 深度学习开发利器TensorFlow9.3.1 TensorFlow简介9.3.2 TensorFlow 1.x和TensorFlow 2.x9.3.3 TensorFlow的生态发展9.4 深度学习开发利器PyTorch9.4.1 PyTorch简介9.4.2 PyTorch的主要优点9.5 本章小结第10章 反向传播算法原理、实现与应用10.1 反向传播算法的原理10.1.1 什么是反向传播10.1.2 反向传播过程描述10.2 反向传播算法的实现10.2.1 网络状态初始化10.2.2 反向传播算法的具体应用10.3 反向传播算法的应用实战10.3.1 案例1：利用反向传播算法实现货运量预测10.3.2 案例2：利用反向传播算法进行气温变化预测10.4 本章小结第11章 卷积神经网络算法原理、实现与应用11.1 卷积神经网络的原理258 11.1.1 卷积神经网络的结构11.1.2 卷积层和池化层11.2 卷积神经网络算法的实现11.2.1 卷积层和池化层的实现11.2.2 LeNet的实现11.2.3 AlexNet的实现11.3 卷积神经网络算法的应用实战11.3.1 案例1：卷积神经网络在文本分类中的应用实现11.3.2 案例2：卷积神经网络在目标检测中的应用实现11.4 本章小结第12章 循环神经网络算法原理、实现与应用12.1 循环神经网络的原理12.1.1 循环神经网络的结构12.1.2 循环神经网络的长短期记忆12.1.3 循环神经网络中的注意力机制12.2 循环神经网络算法的实现12.2.1 基础循环神经网络的实现12.2.2 长短期记忆神经网络的实现12.3 循环神经网络算法的应用实战12.3.1 案例1：循环神经网络在自然语言处理中的应用12.3.2 案例2：循环神经网络在环境趋势预测中的应用12.4 本章小结