内容提要

本书以Python语言为基础，对机器学习领域的相关概念和应用进行了介绍。本书在介绍机器学习理论的时候，尽量用浅显易懂的语言以及基础的数学知识来讲解。此外，为了将知识表述得更形象，本书添加了大量图像作为辅助，正所谓“数无形时少直觉，形少数时难入微”“一图抵千言”。本书内容主要包括Python语言的基础知识、实践中最常用的机器学习算法及其原理，以及实践中的机器学习算法应用，还有一些深度学习框架的讲解和应用。

本书将复杂的机器学习算法用简单的方法加以解释，适合想入门数据分析、机器学习、人工智能等领域的读者阅读。

前言

我们现在生活的时代处处都有人工智能的影子，比如在搜索引擎上搜索一段话，按下Enter键之后，搜索引擎就会对这段话进行语义分析，然后返回合适的结果；还可以使用图片搜索功能，只要我们上传一张照片，搜索引擎就可以返回相似的照片，甚至告诉我们这张照片的相关信息。这些技术的实现都依托于机器学习。

“机器学习”这个名称给人一种很“高级”的感觉，这种叫法让人觉得机器好像有了自主的学习能力，其实不然。机器学习背后所应用的数学思想早在很多年前就已经出现了，比如现在很火的名词“深度学习”的理论基础——神经网络，早在1949年就被提出了。其他一些机器学习的数学理论也是如此。但是在那些年代计算机算力跟不上，所以这些理论并不如现在火热。近些年，由于计算机硬件的飞速发展，这些数学理论被高效地实现，因此这些思想又重新流行起来。特别是现在，一台个人计算机都可以用来进行机器学习平台的搭建。所以，可以粗略理解为所谓的“机器学习”就是“计算机”+“数学理论”。本书的任务就是带领读者理解机器学习背后的思想。

本书特色

1.Python语言基础讲解详细，深度和广度并重

为了照顾没有编程基础的读者，本书会先对Python语言及其整个科学计算的生态圈进行讲解。

2.深入浅出地介绍了11个机器学习算法，只要掌握基础的数学知识就能看懂

本书涵盖了11个机器学习算法，对它们背后的数学理论知识做了深入探讨。另外，将11个机器学习算法有机结合，比如将线性回归、逻辑回归以及神经网络这三个经典算法结合起来，读者可以梳理清楚它们之间的关系，清晰地认识到机器学习算法是相互关联的，一些思想是可以通用的。

3.图片、代码和案例相结合

本书有大量的图片作为辅助参考，这些图片将复杂的数学理论形象直观地表达出来，让读者更容易理解抽象的概念。此外，每个知识点都有相应的案例以及实现的代码，让读者可以将所学的知识快速应用起来。

本书内容及体系结构

第1章　介绍了机器学习的基本概念，以及相关开发工具的配置。

第2章　介绍了Python语言的入门知识，其中包含了基本的操作符、容器及流程控制语句。

第3章　讲解了Numpy的使用方法，介绍了数组的概念，以及Numpy内置的数学与统计函数。

第4章　讲解了Pandas的使用方法，介绍了Series和DataFrame的概念，以及相关的操作方法。

第5章　讲解了如何使用Matplotlib库进行基本图形的绘制。

第6章　讲解了Scikit库的用法，并对机器学习的框架进行了系统的讲解。

第7章　介绍了机器学习常用数据集，包括boston、diabetes、digits、iris、wine。

第8章　介绍了线性回归算法的理论知识，及其在糖尿病患者病情预测中的应用。

第9章　介绍了逻辑回归算法的理论知识，及其在二维鸢尾花分类中的应用。

第10章　介绍了神经网络算法的理论知识，分别进行了回归和分类的应用测试。

第11章　介绍了线性判别算法的理论知识，及其在花卉分类中的应用。

第12章　介绍了K最近邻算法的理论知识，及其在手写字体识别中的应用。

第13章　介绍了决策树方法的理论知识，及其在红酒分类中的应用。