本书是“高级人工智能人才培养丛书”中的一本，首先介绍了机器学习的相关概念和发展历史，随后在此基础上介绍了深度学习——它本质上是近几年来大数据技术催生的产物。本书共12章，其中，第1～7章为机器学习方面的内容，分别介绍了机器学习的简单模型、贝叶斯学习、决策树、支持向量机、集成学习和聚类；第8～12章为深度学习方面的内容，由感知机与神经网络开始，之后分别介绍了卷积神经网络、循环神经网络、生成对抗网络及强化学习。
第2～12章均提供了相应的实验案例，不仅配有完整翔实的Python语言代码及相关注释，还给出了实验结果和实验分析，便于初学者上机操作并加强理解。本书注重易学性、系统性和实战性，力求为人工智能及相关专业的学生提供一本基础教材，同时为在其他学科应用人工智能技术的读者提供一本深入浅出的参考书。
本书适合作为人工智能、计算机科学与技术、自动化控制等相关专业本科生和研究生的教材。此外，高职和专科学校也可以选用本书部分内容开展教学。

刘鹏，教授，清华大学博士，南京云创大数据科技股份有限公司总裁，中国大数据应用联盟人工智能专家委员会主任，中国信息协会教育分会人工智能教育专家委员会主任，教育部全国普通高校毕业生就业创业指导委员会委员，第45届世界技能大赛中国区云计算选拔赛裁判长/专家指导组组长，2019年全国大学生数据建模比赛命题人，工信部云计算研究中心专家。在云计算、大数据、人工智能领域具有多年的研究积累，是我国该领域的知名专家。主持科研项目40多项，发表论文80余篇，出版专业书籍30多种。曾于2002年获得全球数据处理比赛PennySort的世界冠军，于2003年夺得全国挑战杯比赛总冠军。提出的反垃圾邮件网格，被IEEE Cluster 2003评为杰出网格项目，为解决困扰全球的垃圾邮件问题做出根本贡献，该技术成为云安全技术的基础。曾担任全军网格技术研究中心主任，获“全军十大学习成才标兵”（排名第一）、南京市“十大杰出青年”、“中国大数据创新百人”、江苏省“333工程”中青年领军人才、清华大学“学术新秀”等称号。

第1章 引言
1.1 人工智能概述
1.1.1 人工智能产生的基础条件
1.1.2 人工智能的发展史
1.1.3 人工智能的几个重要分支
1.1.4 人工智能与机器学习和深度学习的关系
1.2 机器学习概述
1.2.1 机器学习的定义
1.2.2 机器学习的主要方法
1.2.3 机器学习的应用及其相关课程介绍
1.3 深度学习概述
1.3.1 深度学习产生的背景
1.3.2 深度学习的几种常用模型
1.3.3 深度学习的应用场合
1.3.4 深度学习开源工具
习题
参考文献
第2章 简单模型
2.1 KNN算法
2.1.1 算法原理
2.1.2 算法步骤
2.1.3 算法描述
2.1.4 算法评价
2.1.5 算法实例
2.2 线性回归
2.2.1 算法原理
2.2.2 模型求解
2.2.3 算法步骤
2.2.4 算法描述
2.2.5 算法评价
2.2.6 算法实例
2.3 逻辑回归
2.3.1 算法原理
2.3.2 模型求解
2.3.3 算法步骤
2.3.4 算法描述
2.3.5 算法评价
2.4 实验：逻辑回归算法
2.4.1 实验目的
2.4.2 实验要求
2.4.3 实验原理
2.4.4 实验步骤
2.4.5 实验结果
2.4.6 结果分析
习题
参考文献
第3章 贝叶斯学习
3.1 贝叶斯方法简述
3.2 贝叶斯基础理论
3.2.1 概率基础
3.2.2 贝叶斯方法
3.3 朴素贝叶斯
3.3.1 朴素贝叶斯法介绍
3.3.2 朴素贝叶斯法实例
3.3.3 朴素贝叶斯法优缺点
3.4 贝叶斯网络
3.4.1 贝叶斯网络介绍
3.4.2 贝叶斯网络实现
3.4.3 贝叶斯网络特性及应用
3.5 实验
3.5.1 实验目的
3.5.2 实验要求
……
第4章 决策树
第5章 支持向量机
第6章 集成学习
第7章 聚类
第8章 感知机与神经网络
第9章 卷积神经网络
第10章 循环神经网络
第11章 生成对抗网络
第12章 强化学习
附录A 人工智能实验环境
附录B 人工智能云平台