本书理论结合实践，详细介绍机器学习与深度学，习常用算法和模型及其在计算机视觉领域的典型应用。对于初学者而言，本书从零开始系统地介绍建模的流程和方法，可以带领他们快速上手；对于有一定基础的读者而言，本书介绍多种算法和模型的原理，可以帮助他们深入理解并进行实践。
本书共10章，分为3篇，每篇均从基本概念、模型与算法原理、代码实现三个方面讲解。第1篇“机器学习原理”，围绕机器学习流程，重点介绍特征处理、模型训练和模型评估等相关内容，包括数据集的划分和使用、数据探索和预处理、模型原理分析和选择、模型评估和应用等。第2篇“计算机视觉基础”，介绍计算机视觉的基本概念和处理流程，以及OpenCV的使用和图像特征提取等相关内容。第3篇“深度学习模型与计算机视觉应用”，首先介绍前馈神经网络和循环神经网络的结构，然后介绍深度学习的多种经典算法和14种常见模型，最后结合实例介绍图像分类、目标检测、语义分割、实例分割和目标追踪5类常见的计算机视觉应用。
本书内容翔实，实例丰富，适合人工智能初学者尤其是计算机视觉初学者阅读，也适合有一定基础的机器学习、深度学习和计算机视觉从业人员阅读，另外还适合作为高等院校人工智能相关专业的教材。

谢文伟，硕士毕业于南京航空航天大学。目前担任趋势科技资深IT技术专家兼AI课程培训讲师，有近20年的软件设计与开发经验，是共享软件《天融网络医生》的开发者。精通人工智能、云计算和大数据等相关技术，尤其擅长图像识别、视频分析和信息安全技术。个人主页：https://github.com/jim-xie-cn。

第1篇 机器学习原理
第1章 认识机器学习
1.1 机器学习简介
1.2 计算机视觉简介
1.3 开发工具的选择
1.4 开发环境的搭建
第2章 机器学习基础
2.1 基础知识
2.1.1 基本概念
2.1.2 数据集的划分和使用
2.1.3 完整的机器学习流程
2.2 数学基础
2.2.1 常见的数学概念与运算
2.2.2 微积分
2.2.3 概率与信息论
2.3 开发工具
2.3.1 使用Pandas操作数据
2.3.2 使用Seaborn进行数据可视化
2.4 AI编程入门实例
2.4.1 使用传统编程方式实现计算器功能
2.4.2 使用AI编程方式实现计算器功能
2.4.3 传统编程与AI编程的比较
2.5 小结
第3章 机器学习详解
3.1 数据分布与探索性数据分析
3.1.1 常见的数据分布及其应用
3.1.2 探索性数据分析简介
3.1.3 对美国新冠病毒感染数据进行探索性分析
3.2 数据预处理
3.2.1 归一化和标准化
3.2.2 异常值检测
3.2.3 数据清洗
3.2.4 数据转换
3.2.5 数据描述
3.3 特征选择
3.3.1 使用过滤法进行特征选择
3.3.2 使用包裹法进行特征选择
3.3.3 使用嵌入法进行特征选择
3.4 线性回归模型与实例
3.4.1 正则化
3.4.2 一元线性回归与最小二乘法
3.4.3 多元线性回归
3.4.4 LASSO回归
3.4.5 岭回归
3.4.6 弹性网络回归
3.4.7 多项式回归
3.4.8 线性回归模型总结
3.5 决策树模型与实例
3.5.1 决策树结构
3.5.2 分类决策树
3.5.3 回归决策树
3.5.4 决策树模型实例
3.5.5 随机森林模型
3.5.6 GBDT模型
3.6 模型评估
3.6.1 分类模型评估
3.6.2 回归模型评估
3.7 其他常见模型与统一调参
3.7.1 其他常见模型简介
3.7.2 使用管道机制简化训练过程
3.7.3 使用网格搜索进行调参
3.8 小结
第2篇 计算机视觉基础
第4章 计算机视觉概述
4.1 图像与计算机视觉
4.1.1 图像的结构与常见类型
4.1.2 计算机视觉的工作流程
4.2 使用0penCV处理图像和视频
4.2.1 操作图像、视频文件和摄像头
4.2.2 图像预处理
4.2.3 截取图像的目标区域
4.3 小结
第5章 使用传统方法进行图像分类
5.1 图像分类概述
5.1.1 单标签、多标签和无监督分类
5.1.2 图像分类的方法
5.2 使用传统方法提取特征
5.2.1 图像特征提取原理
5.2.2 HOG特征描述与实例
5.2.3 SIFT特征描述与实例
5.3 单标签图像分类演示
5.3.1 演示数据集说明
5.3.2 图像分类演示
5.4 小结
第3篇 深度学习模型与计算机视觉应用
第6章 神经网络理论与实例
6.1 神经网络基础
6.1.1 感知机模型
6.1.2 神经元
6.1.3 常见激活函数
6.1.4 神经网络
6.2 前馈神经网络与循环神经网络
6.2.1 前馈神经网络结构
6.2.2 误差反向传播算法
6.2.3 循环神经网络结构
6.2.4 随时间误差反向传播算法
6.2.5 神经网络应用实例
第7章 卷积神经网络
7.1 图像滤波与卷积
7.1.1 图像滤波
7.1.2 图像卷积
7.1.3 使用卷积提取特征
7.2 卷积神经网络的结构与优点
7.2.1 卷积神经网络的结构
7.2.2 卷积神经网络的优点
第8章 使用卷积神经网络进行图像识别
8.1 常见的卷积神经网络模型
8.1.1 LeNet-5模型简介
8.1.2 AlexNet模型简介
8.1.3 VGGNet模型简介
8.1.4 Inception模型简介
8.1.5 ResNet模型简介
8.1.6 DenseNet模型简介
8.2 卷积神经网络模型应用实例
8.2.1 CIFAR-10样本操作
8.2.2 创建模型并进行图像分类
8.2.3 使用预训练模型进行图像识别
8.3 小结
第9章 目标检测
9.1 目标检测原理
9.1.1 目标检测基础
9.1.2 使用滑动窗口进行候选区域划分
9.1.3 使用选择性搜索进行区域划分
9.1.4 检测结果修正
9.1.5 模型评估
9.2 目标检测系列模型
9.2.1 R-CNN模型简介
9.2.2 SPPNet模型简介
9.2.3 FastR-CNN模型简介
9.2.4 RPN模型简介
9.2.5 FasterR-CNN模型简介
9.2.6 YOLO模型简介
9.3 目标检测实例
9.3.1 创建人脸二分类器
9.3.2 人脸初检
9.3.3 初检结果修正
9.3.4 使用开源模型实现人脸检测
9.4 小结
第10章 图像分割与目标追踪