机器学习包括有监督学习、无监督学习和半监督学习，而具体的问题又大致可以分两类：分类问题和回归问题。本书分为8章，使用Python第三方工具库深入讲解机器学习极大重要算法的实现，内容包括机器学习概述、贝叶斯分类、决策树、集成学习、支持向量机、神经网络、卷积神经网络、卷积神经网络分割图片实战。

宋立桓，IT资深技术专家、布道师，主要负责为企业客户提供顾问咨询、培训和方案设计服务。目前是腾讯云架构师，专注于云计算 、大数据和人工智能，对区块链的相关技术也有深入的研究。著有图书《Cloudera Hadoop大数据平台实战指南》《MySQL性能优化和高可用架构实践》。

前 言 “人工智能、深度学习和机器学习，不论你现在是否能够理解这些概念，你都应该学习。否则三年内，你就会像灭绝的恐龙一样被社会淘汰”——马克?库班（NBA小牛队老板，亿万富翁）。 马克?库班的这番话可能听起来挺吓人的，但道理是没毛病的！我们正经历一场大革命，这场革命就是由大数据和强大电脑计算能力发起的。随着科技的快速发展，作为人工智能的核心技术，机器学习也变得越来越火。然而，普通的程序员想要转行机器学习却困难重重。回想起来，笔者在刚开始学习机器学习时，一上来就被一大堆数学公式和推导过程所折磨，这样的情景还历历在目。那时候笔者也觉得机器学习是个门槛非常高的学科。但实际上，在人工智能的大部分从业人员里，究竟有多少人需要从头去实现一个算法？又有多少人有机会去发明一个新算法？从一开始就被细节和难点缠住，学机器学习前先学三年的线性代数、微积分，这严重打击了新人想进入机器学习领域的热情和信心！ 对一个正常的普通IT程序员而言，可能需要花3年左右的时间才能学习完人工智能所需要的全部的数学基础，你能够在国内心无旁骛（辞掉工作？抛家离子？）掌握完这些数学基础？机器学习以其背后复杂的数学原理及异常复杂的算法推导和证明过程而吓退了一大批初学者，本书就是要解决这个问题，遵循“极简入门”的理念。霍金说过每多一个数学公式，就会少一半的读者，因此这里也会尽量少用公式，要用也只用简单易懂的公式。笔者在书中通过通俗易懂的语言去描述算法的工作原理，帮助读者直观地理解每个算法的核心思想，有效地降低了学习的门槛。个人觉得机器学习中的很多公式是可以感性地去认识的，能完全明白推导过程自然最好，但在不求甚解的状...