前言


本书讨论了机器学习的基本问题和基本算法。从方便学习的目的出发，本书主要以聚类任务、回归任务、分类任务、标注任务、概率模型、神经网络模型、深度学习模型七个主题对相关内容进行组织。前四个主题以机器学习的四个主要任务为核心，讨论相关算法及基础知识。概率类模型和神经网络类模型可以完成聚类、回归、分类和标注等多类任务，但它们各有自成体系的基础知识，因此各设一个主题进行集中讨论，更方便读者理解。深度学习模型属于神经网络模型，是机器学习领域的后起之秀，对机器学习的兴起起到了至关重要的推动作用，单独设一个主题来讨论。此外，还单独设立一个主题对机器学习在工程应用中的特征工程、降维和超参数调优等问题进行讨论。

本书面向的读者是初学者，在讨论具体算法时，采用以示例入手、逐步推进的方式，并尽量给出详尽的推导。本书没有采用伪代码的方式来介绍算法流程，而是用文字说明加示例程序的方式。通过文字说明，读者可以从总体上理解算法运行过程。通过运行示例程序，读者可以精准地把握算法运行的细节、理解数据的变化过程。本书的示例代码基于Python 3语言实现，并按需使用了ScikitLearn（sklearn）机器学习和TensorFlow 2.0深度学习等模块。
本书不要求读者具有深厚的数学基础，但应理解导数、矩阵、概率等基本概念。读者还应具备基本的编程能力，能够探索运行本书的配套示例程序。
由于时间有限，书中如有错误，望读者和专家不吝赐教。

作者2020年8月