机器学习是人工智能的一个方向。它是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动，从现有大量的数据中学习，利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点；第2章搭建机器学习开发环境，主要包括anaconda\\pycharm\\python软件的安装及使用，以及常见机器学习库的介绍和安装使用方法；第3章介绍了监督学习的4个经典算法：线性回归、决策树、k近邻和支持向量机算法，其重点在算法的应用；第4章介绍了主成分分析降维算法、Kmeans聚类算法；第5章介绍人工神经网络基础，并通过房价预测和手写数字识别实例进行验证；第6章介绍强化学习的基本概念，有模型学习和无模型学习，最后介绍了Q-Learning算法和Sarsa算法。本书由人工智能技术专业教师和英特尔FPGA中国创新中心的工程师们合力编写，讲解了大量的具体程序案例，涵盖大部分机器学习算法，教师和学生可以根据应用需求，选择对应的知识点和算法。本书所有程序均已经在英特尔FPGA中国创新中心AILab实训平台上验证实现。本书可作为高职高专院校电子信息类相关专业教材，也可作为科技人员的参考用书。

第1章 机器学习介绍
1.1 机器学习简介
1.1.1 机器学习的基本概念
1.1.2 机器学习的发展历史
1.2 机器学习的分类及典型算法
1.2.1 机器学习的分类
1.2.2 监督学习
1.2.3 非监督学习
1.2.4 半监督学习
1.2.5 强化学习
本章小结\t
习题\t
第2章 基于Python语言的机器学习环境搭建与配置
2.1 机器学习相关软件介绍
2.1.1 机器学习开发语言
2.1.2 机器学习开发工具
2.2 机器学习开发环境搭建
2.2.1 Python的安装及使用
2.2.2 Anaconda的安装及使用
2.2.3 PyCharm的安装及使用
2.3 常见机器学习库函数功能介绍
2.3.1 基础科学计算库（NumPy）
2.3.2 科学计算工具集（Scipy）
2.3.3 数据分析库（Pandas）
2.3.4 图形绘制库（Matplotlib）
2.3.5 机器学习常用算法库（Scikit-learn）
本章小结\t
习题\t
第3章 监督学习
3.1 线性回归算法
3.1.1 常用损失函数
3.1.2 最小二乘法
3.1.3 梯度下降法
3.1.4 线性回归算法实例
3.2 决策树算法
3.2.1 分类准则
3.2.2 ID3算法
3.2.3 C4.5 算法
3.2.4 CART算法
3.2.5 决策树算法实例
3.3 k近邻算法
3.3.1 k值的选取及特征归一化
3.3.2 kd树
3.3.3 k近邻算法实例
3.4 支持向量机算法
3.4.1 线性可分性
3.4.2 对偶问题
3.4.3 核函数
3.4.4 软间隔
3.4.5 支持向量机算法实例
本章小结\t
习题\t
第4章 非监督学习
4.1 非监督学习概述
4.1.1 非监督学习的基本概念
4.1.2 非监督学习的分类
4.1.3 非监督学习的特点
4.1.4 非监督学习的应用
4.2 主成分分析降维算法
4.2.1 　数据降维介绍
4.2.2 PCA算法介绍
4.2.3 PCA算法求解步骤
4.2.4 PCA算法实例
4.3 K-means聚类算法
4.3.1 聚类算法简介
4.3.2 K-means算法介绍
4.3.3 K-means算法求解步骤
4.3.4 K-means算法实例
本章小结\t
习题\t
第5章 人工神经网络
5.1 人工神经网络概述
5.1.1 人工神经网络的发展历程
5.1.2 人工神经网络基础
5.1.3 人工神经网络模型
5.1.4 人工神经网络的应用
5.2 房价预测实例
5.2.1 房价预测模型构建
5.2.2 房价预测网络构建
5.3 手写数字识别实例
5.3.1 手写数字识别简介
5.3.2 手写数字识别网络构建
本章小结\t
习题\t
第6章 强化学习
6.1 强化学习概述
6.1.1 强化学习的基本概念
6.1.2 强化学习的发展历史
6.1.3 强化学习的分类
6.1.4 强化学习的特点及应用
6.2 强化学习基础
6.2.1 马尔可夫决策过程
6.2.2 贪心算法
6.3 有模型学习和无模型学习
6.3.1 有模型学习
6.3.2 无模型学习
6.4 强化学习实例
6.4.1 Q-Learning算法
6.4.2 Sarsa算法
本章小结\t
习题