本书基于 Python语言,实现了10个典 型的实战案例,其内容涵盖了机器学习的基础算法,主要包括统计学习基础、分类、贝叶斯网络、文本分析、 图像处理等机器学习理论。

复旦大学计算机科学技术学院副教授，主要负责商务数据分析、机器学习等课程的教学。主持国家自然科学基金以及上海市浦江人才以及企业合作课题等30多项项目。出版著作以及教材《商务智能（第四版）》《机器学习案例实战》《python机器学习实战案例》等10多部。获得上海市2015年上海市科技进步二等奖。 以实际应用的项目作为综合案例,实践性强,注重提升读者的动手操作能力,适合作为高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的实验教材。

前言 当前，随着信息时代的快速发展，银行、投资、零售、互联网甚至传统的制造业都产生大量数据。各行各业开始逐步应用机器学习算法分析数据，以便在海量数据中总结出规律，辅助决策。这种发展趋势使得就业市场对数据科学、机器学习人才的需求不断增加，同时对人才的多元化、综合实践能力提出了要求。 随着数据分析相关行业的快速发展，数据分析在各个领域都得到了很多成功的应用，企业和政府部门都期望在各个业务方面的工作由数据分析能力强的人承担，更期望员工能够探索有效的数据分析方法，并根据实际数据场景分析结果做出决策，将分析和处理数据作为日常工作流程的一个环节，而不是将数据分析作为一项专业技能。同时，随着数据种类的繁多和数量的爆炸式增长，市场对毕业生的数据分析和处理能力提出了更高的要求，需要有数据分析技能的人才去预测行业前景，及时抓住发展机会，形成独有的竞争优势。高校的基本职能是培养人才，为了使学生更好地适应现代工作场所和终身发展，需要认真思考如何培养应用型人才，以适应当前的就业环境。机器学习相关专业以培养数据分析师、算法工程师、大数据工程师等数据分析、应用型人才为目标，这不仅要求学生理解算法本身，更需要学生具备跨学科的实践能力，将算法逻辑应用到实际生产、生活场景以解决现实问题。 企业对数据分析人才的数量和质量的高要求导致了大数据技术、人工智能人才的大缺口，而目前高校的机器学习教学偏向理论化，更多地注重算法本身，缺乏完善的实践教学体系和教学资源。学生的课堂学习只是面对多种专业理论知识的组合，缺少真实项目的实践过程，学生不能有效地将学习内容应用到实践过程中，这与应用型人才的培养目标存在一定...