最好懂的機器學習書：使用Python了解原理、演算法及實戰案例

第一部分入門篇
第1章機器學習概述
1.1人工智慧簡介
1.2機器學習的主要工作
1.3機器學習開發環境
習題

第2章Python資料處理基礎
2.1 Python程式開發技術
2.2基底資料型態
2.3資料檔案讀寫
習題

第二部分基礎篇
第3章Python常用機器學習函數庫
3.1 NumPy
3.2 Pandas
3.3 Matplotlib
3.4 OpenCV
3.5 Scikit learn
3.6其他常用模
習題

第4章機器學習基礎
4.1機器學習模型
4.2機器學習演算法的選擇
4.3 Python機器學習利器SKlearn
習題

第三部分實戰篇
第5章KNN分類演算法
5.1 KNN分類
5.2初識KNN——鳶尾花分類
5.3 KNN手寫數字辨識
實驗

第6章K-Means聚類演算法
6.1 K-Means聚類演算法概述
6.2使用K-Means實現資料聚類
6.3 K-Means演算法存在的問題
實驗

第7章推薦演算法
7.1推薦系統
7.2協作過濾推薦演算法
7.3基於內容的推薦演算法案例
7.4協作過濾演算法實現電影推薦
實驗

第8章回歸演算法
8.1線性回歸
8.2邏輯回歸
8.3回歸分析綜合案例
實驗

第9章支援向量機
9.1支援向量機的概念
9.2支援向量機的參數
實驗

第10章神經網路
10.1神經網路的基本原理
10.2多層神經網路
10.3 BP神經網路
實驗

第11章深度學習
11.1深度學習概述
11.2卷積神經網路
11.3循環神經網路
11.4常見的深度學習開放原始碼框架和平台
11.5 TensorFlow學習框架
11.6 Keras深度學習框架
習題

序

　　機器學習是電腦研究領域的重要分支，已經成為人工智慧的核心基礎。一方面，機器學習是人工智慧理論和應用研究的橋樑；另一方面，模式辨識與資料探勘的核心演算法大都與機器學習有關。機器學習在電腦發展過程中日益完善，目前是人工智慧領域最具活力的研究方向之一。

　　機器學習作為人工智慧理論研究的一部分，以數學理論知識為基礎，以解決實際問題為實踐場景，與社會生產息息相關。在許多領域，機器學習正展現其巨大的潛力，扮演著日益重要的角色。

　　本書系統介紹了經典的機器學習演算法。在撰寫過程中，儘量減少數學理論知識，將數學公式轉換成原理示意圖、步驟解析圖、流程圖、資料圖表和來源程式等表達方式，幫助讀者理解演算法原理。本書注重理論結合實務，將演算法應用於實際案例場景，培養理論研究能力和分析、解決問題能力。

　　本書選取典型的問題作為實踐案例，借助案例對演算法進行系統解析。在解決實際任務的過程中，讀者能夠掌握機器學習演算法並進行靈活運用。本書帶領讀者循序漸進，從Python資料分析與挖掘入門，在實踐中掌握機器學習基礎，最終將機器學習演算法運用於預測、判斷、辨識、分類、策略制定等人工智慧領域。

　　本書內容包含三部分：第1部分（第1～2章）為資料處理入門，著重介紹Python開發基礎及資料分析與處理；第2部分（第3～4章）為機器學習基礎實踐，著重介紹機器學習的理論框架和常用機器學習模組；第3部分（第5～11章）介紹經典機器學習演算法及應用，包括分類演算法、聚類演算法、推薦演算法、回歸演算法、支援向量機演算法、神經網路演算法以及深度學習理論及專案實例。

　　本書以培養人工智慧與機器學習初學者的實踐能力為目標，適用範圍廣，可作為大專院校電腦、軟體工程、巨量資料、通訊、電子等相關專業機器學習實踐教材，也可作為成人教育及自學考試用書，還可作為機器學習相關領域開發人員、工程技術人員和研究人員的參考用書。

　　本書第1章由劉豔、韓龍哲撰寫，第2章由李哲撰寫，第3章由劉豔、李沫沫撰寫，第4～11章由劉豔撰寫。全書由劉豔擔任主編，完成全書的修改及統稿。感謝阿里天池AI平台提供的雲端運算開發環境，極大地提升了模型訓練效率。感謝華東師範大學精品教材建設專項基金對本書撰寫過程的支持。感謝英特爾公司的支援，本書也作為英特爾公司Intel AI for Future Workforce教育專案的參考用書。感謝鄭駿、王偉、陳志雲、黃波、劉小平、常麗、陳宇皓、李小露等多位老師和同學對本書提出的寶貴意見。

　　由於編者水準有限，內容難免有不足之處，歡迎讀者們批評指正。