本书系统介绍了经典的机器学习算法，并通过实践案例对算法进行解析。
本书内容包含三部分：第一部分（第1章和第2章）为入门篇，着重介绍Python开发基础及数据分析与处理；第二部分（第3章和第4章）为基础篇，着重介绍机器学习的理论框架和常用机器学习模型；第三部分（第5～11章）为实战篇，介绍经典机器学习算法及应用，包括KNN分类算法、K-Means聚类算法、推荐算法、回归算法、支持向量机算法、神经网络算法以及深度学习理论及项目实例。
本书力求叙述简练，概念清晰，通俗易懂。书中的案例选取了接近实际应用的典型问题，以应用能力、创新能力的培养为核心目标。
本书可作为高等院校计算机、软件工程、大数据、通信、电子等相关专业的教材，也可作为成人教育及自学考试用书，还可作为机器学习相关领域开发人员、工程技术人员和研究人员的参考用书。

第一部分入门篇
第1章 机器学习概述
1.1 人工智能简介
1.1.1 什么是人工智能
1.1.2 人工智能史上的三次浪潮
1.1.3 人工智能的研究领域
1.2 机器学习的主要工作
1.3 机器学习开发环境
习题
第2章 Python数据处理基础
2.1 Python程序开发技术
2.2 基本数据类型
2.3 数据文件读写
2.3.1 打开与关闭文件
2.3.2 读取文件内容
2.3.3 将数据写入文件
2.3.4 Pandas存取文件
2.3.5 NumPy存取文件
习题
第二部分基础篇
第3章 Python常用机器学习库
3.1 NumPy
3.1.1 ndarray对象
3.1.2 NumPy数据类型
3.1.3 NumPy数组属性
3.1.4 其他创建数组的方式
3.1.5 切片、迭代和索引
3.1.6 NumPy计算
3.2 Pandas
3.2.1 Series数据结构
3.2.2 DataFrame对象
3.2.3 数据对齐
3.3 Matplotlib
3.4 OpenCV
3.5 Scikit learn
3.5.1 SKlearn简介
3.5.2 SKlearn的一般步骤
3.6 其他常用模块
3.6.1 WordCloud制作词云
3.6.2 Jieba中文分词
3.6.3 PIL
习题
第4章 机器学习基础
4.1 机器学习模型
4.1.1 线性模型与非线性模型
4.1.2 浅层模型与深度模型
4.1.3 单一模型与集成模型
4.1.4 监督学习、非监督学习和强化学习
4.2 机器学习算法的选择
4.2.1 模型的确定
4.2.2 性能评估
4.3 Python机器学习利器SKlearn
4.3.1 SKlearn数据预处理
4.3.2 SKlearn模型选择与算法评价
习题
第三部分实战篇
第5章 KNN分类算法
5.1 KNN分类
5.2 初识KNN——鸢尾花分类
5.3 KNN手写数字识别
实验
第6章 KMeans聚类算法
6.1 KMeans聚类算法概述
6.1.1 聚类
6.1.2 KMeans聚类
6.1.3 聚类算法的性能评估
6.2 使用KMeans实现数据聚类
6.2.1 使用SKlearn实现KMeans聚类
6.2.2 Python实现KMeans聚类
6.3 KMeans算法存在的问题
6.3.1 KMeans算法的不足
6.3.2 科学确定k值
6.3.3 使用后处理提高聚类效果
实验
第7章 推荐算法
7.1 推荐系统
7.1.1 推荐算法概述
7.1.2 推荐系统的评价指标
7.1.3 推荐系统面临的挑战
7.1.4 常见的推荐算法
7.2 协同过滤推荐算法
7.2.1 基于用户的协同过滤算法
7.2.2 基于内容的推荐算法
7.2.3 基于图结构的推荐算法
7.2.4 其他推荐算法
7.3 基于内容的推荐算法案例
7.4 协同过滤算法实现电影推荐
实验
第8章 回归算法
8.1 线性回归
8.1.1 一元线性回归
8.1.2 多元线性回归
8.2 逻辑回归
8.2.1 线性回归存在的问题
8.2.2 逻辑函数Sigmoid
8.2.3 逻辑回归的概念
8.2.4 线性回归与逻辑回归的区别
8.2.5 逻辑回归参数的确定
8.3 回归分析综合案例
8.3.1 信用卡逾期情况预测案例
8.3.2 使用逻辑回归实现鸢尾花分类预测案例
实验
第9章 支持向量机
9.1 支持向量机的概念
9.1.1 线性判别分析
9.1.2 间隔与支持向量
9.1.3 超平面
9.1.4 感知器
9.2 支持向量机的参数
9.2.1 优化求解
9.2.2 核函数
9.2.3 SVM应用案例
实验
第10章 神经网络
10.1 神经网络的基本原理
10.1.1 人工神经网络
10.1.2 神经网络结构
10.2 多层神经网络
10.2.1 多隐藏层
10.2.2 激活函数
10.3 BP神经网络
实验
第11章 深度学习
11.1 深度学习概述
11.1.1 深度学习的产生
11.1.2 深度学习的发展
11.2 卷积神经网络
11.2.1 卷积神经网络的神经科学基础
11.2.2 卷积操作
11.2.3 池化操作
11.2.4 卷积神经网络的激活函数
11.2.5 卷积神经网络模型
11.3 循环神经网络
11.4 常见的深度学习开源框架和平台
11.5 TensorFlow学习框架
11.6 Keras深度学习框架
11.6.1 Keras基础
11.6.2 Keras综合实例
习题

前言
机器学习是计算机研究
领域的一个重要分支，已经
成为人工智能的核心基础。
一方面，机器学习是人工智
能理论和应用研究的桥梁；
另一方面，模式识别与数据
挖掘的核心算法大都与机器
学习有关。机器学习在计算
机发展过程中日益完善，目
前是人工智能领域最具活力
的研究方向之一。机器学习
作为人工智能理论研究的一
部分，以数学理论知识为基
础，以解决实际问题为实践
场景，与社会生产息息相关
。在众多领域，机器学习正
展现其巨大的潜力，扮演着
日益重要的角色。本书系统
介绍了经典的机器学习算法
。在编写过程中，尽量减少
数学理论知识，将数学公式
转换成原理示意图、步骤解
析图、流程图、数据图表和
源程序等表达方式，帮助读
者理解算法原理。本书注重
理论联系实际，将算法应用
于实际案例场景，培养理论
研究能力和分析、解决问题
能力。本书选取典型的问题
作为实践案例，借助案例对
算法进行系统解析。在解决
实际任务的过程中，读者能
够掌握机器学习算法并灵活
运用。本书带领读者循序渐
进，从Python数据分析与挖
掘入门，在实践中掌握机器
学习基本知识，最终将机器
学习算法运用于预测、判断
、识别、分类、策略制定等
人工智能领域。本书内容包
含三部分: 第一部分（第1
章和第2章）为入门篇，着
重介绍Python开发基础及数
据分析与处理；第二部分（
第3章和第4章）为基础篇，
着重介绍机器学习的理论框
架和常用机器学习模型；第
三部分（第5～11章）为实
战篇，介绍经典机器学习算
法及应用，包括KNN分类算
法、KMeans聚类算法、
推荐算法、回归算法、支持
向量机算法、神经网络算法
以及深度学习理论及项目实
例。本书提供丰富的配套资
源，包括教学大纲、教学课
件、习题答案、程序源码、
教学进度表、混合式教学设
计和微课视频。资源下载提
示课件等资源: 扫描封底的
“课件下载”二维码，在公众
号“书圈”下载。素材（源码
）等资源: 扫描目录上方的
二维码下载。视频等资源:
扫描封底刮刮卡中的二维码
，再扫描书中相应章节中的
二维码，可以在线学习。
本书以培养人工智能与
机器学习初学者的实践能力
为目标，适用范围广，可作
为高等院校计算机、软件工
程、大数据、通信、电子等
相关专业的教材，也可作为
成人教育及自学考试用书，
还可作为机器学习相关领域
开发人员、工程技术人员和
研究人员的参考用书。本书
第1章由刘艳、韩龙哲编写
，第2章由李哲编写，第3章
由刘艳、李沫沫编写，第4
～11章由刘艳编写。全书由
刘艳担任主编，完成全书的
修改及统稿。感谢阿里天池
AI平台提供的云计算开发环
境，极大地提升了模型训练
效率。感谢华东师范大学精
品教材建设专项基金对本书
编写过程的支持。感谢英特
尔公司的支持，本书作为英
特尔公司Intel AI for Future
Workforce教育项目的参考
用书。感谢郑骏、王伟、陈
志云、黄波、刘小平、常丽
、陈宇皓、李小露等多位老
师和同学对本书提出的宝贵
意见。由于编者水平有限，
内容难免有不足之处，欢迎
广大读者批评指正。
编者2021年6月