通常來說，人工智能（Artificial Intelligence，AI）是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能的研究領域包括機器人、語音識別、圖像識別、自然語言處理和專家系統等。
機器學習就是用算法解析數據，不斷學習，對世界中發生的事做出判斷和預測的一項技術。生活中很多機器學習的書籍只注重算法理論方法，並沒有注重算法的落地。本書是初學者非常期待的入門書，書中有很多的示例可以幫助初學者快速上手。
本書分為3個部分：第1章和第2章是人工智能的數學基礎，主要介紹了機器學習的概念、Python開發環境的搭建、機器學習bibei的數學知識，以及線性代數和概率論的相關知識；第3~12章主要介紹了回歸模型、分類模型、聚類模型、半監督模型的建立和相關算法的理論，以及如何使用sklearn具體實現相關算法模型的搭建；第13章介紹了Spark機器學習，筆者認為對於機器學習，不能只限於Python中的sklearn的學習，還要緊跟大數據時代的發展。
本書內容通俗易懂，案例豐富，實用性強，特別適合Python語言的入門讀者和進階讀者閱讀，也適合其他算法程序員和編程愛好者閱讀。
劉潤森，CSDN博客專家，熟悉PyTorch、TensorFlow等深度學習框架，對計算機視覺、機器學習和深度學習有深入研究，目前擔任AI算法工程師，從事民航目標識別和檢測的工作。
本書介紹了機器學習和人工智能的方方面面，並且由淺入深介紹了機器學習算法，邏輯清晰，案例豐富。對於想入門機器學習、人工智能的讀者而言，本書是一本極好的參考指南。
楊秀璋——微信公眾號“娜璋AI安全之家”的作者，CSDN博客專家
本書對時下的機器學習技術從多個方面進行了詳細的介紹，從人工智能數學基礎，到常見的機器學習算法，最後到大數據Spark，書中都有具體的相關實例，內容全面而豐富，示例通俗易懂，是一本不錯的機器學習參考讀物。
梁云——微信公眾號“算法美食屋”的作者，把複雜的算法做成美食，出版電子書《20天吃掉那只PyTorch》等
本書講解了很多機器學習的具體案例，想了解機器學習研究趨勢的讀者可以閱讀本書。本書非常適合初學者作為機器學習的入門書籍。對於想在機器學習甚至深度學習有所建樹的初學者，這本書是很好的啟蒙書。
殷承志——前阿裡人，ACM亞洲區域賽銀牌得主，推薦算法專家，新加坡Shopee電商公司算法工程師
機器學習是算法工程師技術儲備的重要組成部分，本書重點介紹了機器學習中的數學基礎，該書選取了經典機器學習算法，利用Python實現算法，最後給出了相應實戰例子。總之，這是一本詳細介紹機器學習的入門書籍，值得初學者閱讀。
周景陽——前百度人，北京貪心科技有限公司聯合創始人、貪心科技技術合伙人
這項技術有什麼前途
這是一本關於人工智能數學基礎和機器學習的書。機器學習是人工智能的技術基礎，國內已有很多院校設立了人工智能專業，機器學習當仁不讓地成為該專業的核心課程。自從AlphaGo和韓國九段棋手李世石的人機大戰起，人工智能開始流行。人工智能的火熱，使得常年不溫不火的Python編程語言也異常火熱起來，甚至很多人喊起了“人生苦短，我學Python”的口號。
機器學習在圖像處理、語音識別、自然語言處理方面發揮了越來越大的作用，例如，使用GBDT選擇特徵，配合Logistic回歸做分類，已經成了點擊率預估的經典模型。同時，機器學習也滲透到各個傳統行業中並產生巨大的社會價值。從某種意義上來說，機器學習在我們的生活中無處不在。機器學習在各領域中扮演了日益重要的角色，從各方面影響和改變著我們的生活。
筆者的使用體會
筆者最早從大一下學期開始接續學習機器學習，也曾在CSDN中分享一些相關機器學習的教程和其他IT領域的學習筆記，因此有出版社的朋友找到筆者，希望可以將這些內容整理成書，於是就有了這本書。對筆者而言，本書也是對自己學習成果的總結。大家千萬不要認為學習機器學習就是調包，而忽視了裡面數學的美，也不要過於在意裡面的複雜算法。就國內而言，除少數公司的機器學習部門是推公式、做理論優化外，大部分機器學習崗位都是在用成熟的工具做開發、搞特徵、調模型、上線產品。例如，阿裡云機器學習PAI平臺，封裝了上百種算法，提供了完整的機器學習鏈路，重點是具有可視化操作界面，通過拖曳操作，進行少量配置，即可完成業務處理。這裡提醒一句，數學對於機器學習來說是非常重要的。同時，數據分析也很重要，這裡包括對數據的理解、對統計學的認知等，可以說，一個好的機器學習算法工程師也一定是一個好的數據分析師。
本書的特色
有些讀者在學習時會有這樣一種感覺：一門課學完了、考試過了，卻不知道學了有什麼用，尤其是數學類的課程。這是因為傳統教材大多數是按照“定義—例題—習題”的步驟來大篇幅羅列數學概念，偏重理論定義和運算技巧，不注重梳理學科內在的邏輯脈絡，更沒能深刻挖掘出本學科與當下前沿技術的交會點。因此，本書採用了很多的案例和代碼，不局限於算法本身，更注重於實踐方面。
本書具有以下特點。
（1）大多數的章節都有典型的Python算法和案例，深入淺出地解釋理論，方便學習理解。本書代碼絕大多數採用Python語言編寫，代碼簡單優雅，易於上手。本書非常適合想要快速上手機器學習的人員使用。
（2）本書的知識涉及範圍較廣，包括高等數學、線性代數、概率論、數據處理和機器學習算法等方面。
讀者物件
·有一定的數學基礎，希望了解機器學習算法的讀者。
·對人工智能、機器學習感興趣的讀者。
·機器學習、人工智能專業的大學生。
·數據分析師。
資源下載
本書所涉及的數據集和源代碼已上傳到百度網盤，供讀者下載。請讀者關注封底“博雅讀書社”微信公眾號，找到“資源下載”欄目，輸入圖書77頁的資源下載碼，根據提示獲取。另外，讀者也可以通過GitHub下載。
第1章 走進機器學習的世界 1
1.1 機器學習概述 2
1.1.1 什麼是機器學習 2
1.1.2 機器學習的分類 2
1.1.3 常用的機器學習算法 3
1.1.4 機器學習的流程 5
1.2 Python編程語言 6
1.2.1 Python環境搭建 6
1.2.2 機器學習相關軟件包介紹 8
1.3 機器學習的數學知識 9
1.3.1 導數 9
1.3.2 基本函數的求導公式 9
1.3.3 求導法則 10
1.3.4 Python實現求導 10
1.3.5 泰勒展開式 12
1.3.6 微積分基本定理 14
1.3.7 基本函數的積分公式 14
1.3.8 Python實現積分 16
第2章 人工智能數學基礎 18
2.1 線性代數 19
2.1.1 向量及其線性運算 19
2.1.2 矩陣及其線性運算 20
2.2 隨機變量 26
2.2.1 離散型隨機變量 26
2.2.2 連續型隨機變量 27
2.3 隨機變量概率分布 28
2.3.1 伯努利分布 28
2.3.2 泊松分布 29
2.3.3 指數分布 30
2.3.4 二項分布 31
2.3.5 正態分布 32
2.3.6 伽馬分布 33
2.3.7 貝塔分布 34
2.3.8 卡方分布 35
2.3.9 t分布 37
2.3.10 F分布 40
第3章 數據獲取和預處理 42
3.1 數據獲取 43
3.1.1 自帶和下載數據集 43
3.1.2 創建數據集 45
3.1.3 數據集 49
3.2 標準化 50
3.2.1 Z?score標準化 50
3.2.2 Min?Max標準化 51
3.3 二值化 52
3.3.1 特徵二值化 52
3.3.2 標簽二值化 53
3.4 特徵處理 54
3.4.1 獨熱編碼 54
3.4.2 多項式特徵 56
3.4.3 PCA降維 57
3.5 數據清洗 59
3.5.1 Pandas數據清洗 59
3.5.2 sklearn處理缺失值 62
3.6 文本特徵提取 64
3.6.1 字典提取器 64
3.6.2 詞袋模型 65
3.6.3 權重向量 67
3.7 圖像特徵提取 69
3.7.1 提取像素矩陣 69
3.7.2 提取角點 71
3.7.3 提取輪廓 74
3.7.4 提取局部特徵點 74
3.8 特徵選擇 76
3.8.1 Filter過濾法 76
3.8.2 Wrapper包裝法 78
3.8.3 Embedded嵌入法 79
第4章 線性回歸和邏輯回歸 81
4.1 線性回歸 82
4.1.1 最小二乘法 82
4.1.2 梯度下降法 84
4.1.3 線性回歸實現 86
4.1.4 Lasso回歸和嶺回歸 90
4.1.5 回歸模型評估 93
4.1.6 多項式回歸 94
4.2 邏輯回歸 96
4.2.1 邏輯回歸算法 96
4.2.2 邏輯回歸實現 98
4.2.3 分類模型評估 100
第5章 KNN和貝葉斯分類算法 107
5.1 KNN算法 108
5.1.1 KNN算法的距離度量 108
5.1.2 KNN算法代碼實現 112
5.1.3 交叉驗證 113
5.1.4 KD樹 115
5.2 貝葉斯分類算法 118
5.2.1 貝葉斯定理 118
5.2.2 高斯樸素貝葉斯 119
5.2.3 多項式樸素貝葉斯 121
5.2.4 伯努利樸素貝葉斯 123
第6章 決策樹和隨機森林 125
6.1 決策樹 126
6.1.1 熵 126
6.1.2 決策樹算法 129
6.1.3 剪枝算法 131
6.2 決策樹代碼實現 133
6.2.1 可視化決策樹 133
6.2.2 分類樹 136
6.2.3 回歸樹 143
6.3 隨機森林 144
6.3.1 集成學習算法 144
6.3.2 隨機森林分類 145
6.3.3 隨機森林回歸 148
第7章 支持向量機 150
7.1 SVM核心概念 151
7.1.1 線性可分 151
7.1.2 核函數 153
7.2 SVM代碼實現 154
7.2.1 SVC 154
7.2.2 SVM人臉識別 158
7.2.3 SVR 161
第8章 聚類算法 163
8.1 K?means聚類算法 164
8.1.1 K?means聚類算法原理 164
8.1.2 模型評估 166
8.1.3 圖像處理 167
8.1.4 K?means聚類算法實例 169
8.2 層次聚類算法 173
8.2.1 層次聚類算法原理 173
8.2.2 層次聚類算法實例 174
8.3 密度聚類算法 176
8.3.1 密度聚類算法原理 176
8.3.2 密度聚類算法實例 177
第9章 EM和HMM聚類算法 179
9.1 EM聚類算法 180
9.1.1 最大似然估計 180
9.1.2 詹森不等式 181
9.1.3 EM算法原理 182
9.2 EM算法代碼實現 183
9.3 HMM聚類算法 186
9.3.1 馬爾可夫過程 186
9.3.2 隱馬爾可夫模型 187
第10章 主題模型 190
10.1 LDA主題模型 191
10.1.1 Dirichlet分布 191
10.1.2 LDA貝葉斯模型 192
10.2 自然語言處理常用工具包 193
10.2.1 NLTK 193
10.2.2 spaCy 196
10.2.3 Gensim 197
10.2.4 jieba 201
10.2.5 Stanford NLP 202
10.2.6 FuzzyWuzzy 203
10.2.7 HanLP 204
10.3 LDA主題模型實例 207
第11章 推薦算法 212
11.1 關聯規則 213
11.1.1 置信度 213
11.1.2 支持度 213
11.1.3 提升度 214
11.1.4 關聯規則代碼實現 214
11.2 基於用戶行為的推薦算法 217
11.2.1 矩陣分解 217
11.2.2 SVD算法代碼實現 219
11.3 基於評分的推薦算法 221
11.3.1 SlopeOne算法 221
11.3.2 SlopeOne算法代碼實現 222
11.4 協同過濾 222
第12章 數據建模 226
12.1 監督學習 227
12.1.1 監督學習回歸 227
12.1.2 監督學習分類 228
12.2 半監督學習 235
12.2.1 標簽傳播算法 235
12.2.2 半監督學習分類 236
12.3 保存模型 239
12.3.1 pickle 239
12.3.2 joblib 240
12.3.3 sklearn2pmml 240
第13章 Spark機器學習 244
13.1 Spark分布式集群搭建 245
13.1.1 創建CentOS 7虛擬機 245
13.1.2 設置靜態IP 247
13.1.3 配置SSH服務 248
13.1.4 安裝Java 248
13.1.5 搭建三臺CentOS 7主機 249
13.1.6 修改hosts文件 250
13.1.7 配置SSH免密碼登錄 251
13.1.8 搭建Hadoop集群 252
13.1.9 搭建ZooKeeper集群 255
13.1.10 啟動Hadoop和ZooKeeper集群 257
13.1.11 搭建Spark集群 260
13.2 Hadoop和Spark的基礎知識 262
13.2.1 HDFS 262
13.2.2 Spark Shell 264
13.2.3 RDD編程 268
13.2.4 Spark SQL 273
13.3 Spark MLlib 279
13.3.1 回歸模型 279
13.3.2 分類模型 281
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
