1）理实融通，逐步详解在数据准备、特征提取、特征表示、算法解析、深度神经网络、集成迁移强化、视觉与语音方面的技术，以及机器学习库、框架技术及应用和开发步骤等内容。
2）实例丰富，帮助读者理解、掌握机器学习从初级技术到核心技术的应用开发任务
3）配有电子课件、所有项目源代码及数据等资源

《机器学习原理及应用》从机器学习原理和应用出发，结合案例介绍了机器学习的基础技术和典型模型算法，包括机器学习的基础、特征选择与降维、典型学习算法、深度学习与神经网络、集成学习与迁移学习、强化学习、计算机视觉与语音识别等技术；详细介绍了机器学习典型模型算法及神经网络学习、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。
每个案例配有源码，每章配有习题，帮助读者进行深入学习。
《机器学习原理及应用》既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学习从业者的技术参考书。

目 录
前言

第1章 机器学习基础1
1.1 机器学习简介1
1.2 机器学习任务4
1.2.1 机器学习问题4
1.2.2 机器学习典型任务5
1.2.3 机器学习应用场景7
1.3 搭建机器学习开发环境7
1.3.1 开发环境系统要求7
1.3.2 Windows10系统平台下搭建开发
环境7
1.3.3 Linux系统平台下搭建开发环境16
1.4 机器学习常用库概述21
1.4.1 库简介21
1.4.2 库安装及集成22
1.5 机器学习框架概述24
1.6 机器学习开源平台25
1.7 小结29
习题29
参考文献29
第2章 特征选择与降维30
2.1 特征选择简介30
2.2 特征选择方法32
2.2.1 过滤式方法32
2.2.2 包裹式方法37
2.2.3 嵌入式方法41
2.3 降维技术46
2.4 主成分分析56
2.5 综合案例：基于feature_selector
库的商业信贷特征选择60
2.6 小结64
习题65
参考文献65
第3章 典型学习算法66
3.1 回归算法66
3.1.1 回归简介66
3.1.2 回归技术67
3.1.3 常用回归算法68
3.1.4 回归评价标准74
3.1.5 案例：房屋价格回归分析75
3.2 聚类算法77
3.2.1 聚类简介77
3.2.2 聚类技术78
3.2.3 常用聚类算法78
3.2.4 聚类评价标准82
3.2.5 案例：用户社区聚类分析83
3.3 分类算法85
3.3.1 分类简介86
3.3.2 分类技术86
3.3.3 常用分类算法86
3.3.4 分类评价标准90
3.3.5 案例：新闻分类92
3.4 支持向量机95
3.4.1 支持向量机简介95
3.4.2 间隔96
3.4.3 核函数与方法99
3.4.4 案例：垃圾邮件过滤100
3.5 决策树102
3.5.1 决策树简介102
3.5.2 构造及基本流程103
3.5.3 剪枝方法105
3.5.4 案例：鸢尾花预测应用106
3.6 综合案例：基于随机森林回归的
空气质量预测107
3.7 小结111
习题111
参考文献111
第4章 深度学习与神经网络113
4.1 深度学习113
4.1.1 深度学习简介113
4.1.2 深度学习框架115
4.2 神经网络116
4.2.1 神经网络简介116
4.2.2 前馈神经网络119
4.2.3 图神经网络121
4.2.4 图卷积神经网络123
4.3 深度神经网络126
4.3.1 深度神经网络简介126
4.3.2 深度神经网络模型128
4.3.3 案例：手写数字识别129
4.4 卷积神经网络133
4.4.1 卷积神经网络简介133
4.4.2 典型卷积神经网络算法135
4.4.3 案例：猫狗分类应用143
4.5 循环神经网络147
4.5.1 循环神经网络简介147
4.5.2 典型循环神经网络算法149
4.5.3 案例：文本分类151
4.6 长短期记忆网络155
4.6.1 长短期记忆网络简介155
4.6.2 典型长短期记忆网络算法156
4.6.3 案例：文本生成应用158
4.7 综合案例162
4.7.1 验证码识别162
4.7.2 自动写诗机器人170
4.8 小结174
习题175
参考文献175
第5章 集成学习与迁移学习178
5.1 集成学习178
5.1.1 集成学习简介178
5.1.2 集成学习算法179
5.1.3 集成学习应用181
5.2 迁移学习182
5.2.1 迁移学习简介182
5.2.2 迁移学习分类183
5.2.3 迁移学习算法184
5.2.4 迁移学习应用187
5.3 综合案例：欺诈检测应用188
5.4 小结191
习题192
参考文献192
第6章 强化学习194
6.1 强化学习简介194
6.2 强化学习技术196
6.2.1 有模型强化学习与无模型强化
学习196
6.2.2 推荐系统197
6.2.3 模仿学习200
6.2.4 Q-learning算法201
6.2.5 蒙特卡罗强化学习202
6.2.6 时序差分强化学习202
6.3 综合案例：飞扬小鸟游戏203
6.4 小结206
习题207
参考文献207
第7章 计算机视觉技术209
7.1 计算机视觉简介209
7.2 计算机视觉基础211
7.2.1 图像表示211
7.2.2 图像读取、存储212
7.2.3 视频捕获及流保存218
7.2.4 图像计算220
7.2.5 图像二值化及平滑221
7.2.6 图像变换及形态学操作229
7.2.7 图像轮廓检测237
7.3 计算机视觉开发平台242
7.3.1 ARM嵌入式人工智能开发平台242
7.3.2 嵌入式GPU人工智能开发平台242
7.3.3 计算机视觉综合开发平台243
7.4 典型算法244
7.4.1 LeNet算法244
7.4.2 MobileNets算法249
7.4.3 目标检测算法258
7.5 综合案例：基于深度神经网络的
人脸表情识别264
7.6 小结271
习题272
参考文献272
第8章 语音识别274
8.1 语音识别技术简介274
8.2 常用工具及平台276
8.2.1 语音识别工具276
8.2.2 语音识别平台279
8.3 语音数据特征处理283
8.4 典型算法286
8.5 在线语音识别292
8.5.1 音频流识别293
8.5.2 文本转语音294
8.5.3 视频字幕文本生成295
8.6 综合案例：基于端到端的中文
语音识别302
8.7 小结306
习题306
参考文献306
第9章 AI云开发平台308
9.1 AI云开发简介308
9.2 云开发平台311
9.2.1 百度云开发平台312
9.2.2 阿里云开发平台320
9.2.3 Face++云开发平台324
9.2.4 科大讯飞云平台329
9.3 综合案例333
9.3.1 基于EasyDL的多物体识别333
9.3.2 基于PaddlePaddle的CNN图像
识别340
9.4 小结350
习题350
参考文献351