大數據與人工智能技術叢書

本書以任務為導向，討論了機器學習和深度學習的主要問題，包括聚類、回歸、分類、標注、降維、特徵工程、超參數調優、序列決策（強化學習）和對抗攻擊等。書中對上述每個問題，分別從決策函數類模型、概率類模型和神經網絡類模型三個角度來討論具體的實現算法。 本書在內容上兼顧基礎知識和應用實踐。總體上，以基本理論知識為主線，逐步展開，從概念入手，逐步討論算法思想，著重考慮知識的關聯性，最後落實到機器學習擴展庫和深度學習框架的具體應用。具體到每個模型，採用以示例入手、逐漸深入的方式，盡量給出詳盡的分析或推導。 本書的特點是主要通過示例來討論相關模型，適合初學者入門使用。本書示例代碼採用Python 3程序設計語言編寫。傳統機器學習算法的應用示例主要以ScikitLearn機器學習擴展庫來實現，隱馬爾可夫模型示例用hmmlearn擴展庫來實現，條件隨機場模型示例用CRF 工具來實現。深度學習算法的示例採用TensorFlow 2框架和MindSpore框架來實現。 本書適合計算機、人工智能及相關專業的學生使用，對於相關技術研究人員也有參考價值。

本書討論了機器學習的基本問題和基本算法。從方便學習的目的出發，本書主要以聚類任務、回歸任務、分類任務、標注任務、概率模型、神經網絡模型、深度學習模型七個主題對相關內容進行組織。前四個主題以機器學習的四個主要任務為核心討論相關算法及基礎知識。概率類模型和神經網絡類模型可以完成聚類、回歸、分類和標注等多類任務，但它們各有自成體系的基礎知識，因此各設一個主題進行集中討論，可能更方便讀者理解。深度學習模型