《机器学习》系统介绍机器学习的理论、模型和算法实现，主要内容包括机器学习实验环境的搭建、数据清洗、模型评估、监督学习的分类和回归问题、非监督学习的聚类和降维等理论介绍和底层算法实现。本书涵盖了K近邻算法、决策树、支持向量机、BP神经网络、卷积神经网络、循环神经网络、集成学习、Kmeans聚类、模糊聚类、主成分分析、独立成分分析等内容。每章均基于实战项目或案例介绍模型和算法的两种实现（scikitlearn、Keras或TensorFlow的调包实现与非调包底层代码实现），并给出相应的实验题目，以此加深读者对模型和算法的理解，提升读者对模型和算法的底层代码实现能力。 适合作为人工智能专业高年级本科生和研究生的教材，也可作为人工智能相关领域研究人员的自学教材。

肖汉光，博士，教授，重庆理工大学两江人工智能学院智能科学系主任，主要从事人工智能、机器学习、模式识别等方面的研究工作。现为国家自然科学基金通讯评审专家，国际期刊同行评审专家，中国和美国计算机学会会员。主持和参与国际和国家自然科学基金项目5项，主持和参与省部级科研项目6项，主持横向项目2项。以第一作者发表SCI和EI论文约20篇。以主编身份编写著作和教材3部，授权国家发明专利6项。

前〓〓言 2017年，人工智能上升为我国国家发展战略，为人工智能领域的科学研究、技术应用、产业发展和经济社会繁荣带来了重大机遇和强大动力。人工智能已逐渐在智慧国防、智慧安保、智慧医疗、智慧家居、智慧交通、智慧工业、智慧农业等领域发挥着越来越重要的作用，成为推动国家发展的新引擎。全球主要发达国家，如美国、英国、日本、德国等，已纷纷制订了人工智能国家发展计划，力争抢占人工智能高地，实现跨越式发展。机器学习作为人工智能的重要分支和基石，其大量核心技术得到广泛应用，如人脸识别、目标检测、目标跟踪、图像分割、视觉导航、机器人路径规划和动作规划等。 人工智能领域的高素质人才已成为各国、各行业争夺的宝贵资源，特别是机器学习领域的人才十分匮乏，培养掌握机器学习核心技术的人才具有重要意义。机器学习理论知识是人工智能领域人才培养中必不可少的知识模块，其实践能力的培养尤为关键。目前，关于机器学习实战的图书已有许多，但大部分都是讲解如何利用scikitlearn、TensorFlow或PyTorch工具包实现机器学习或深度学习。此类图书对读者的应用能力有一定的培养作用，但是很难从根本上让读者掌握机器学习算法的底层实现，很难培养读者的底层开发能力和创新能力。人工智能业界常说“不要重复造轮子”，但我们应该“具备造轮子的能力”。针对这一问题，本书不仅讲解机器学习模型和算法的应用实例，还讲解算法底层代码的实现，重点培养读者从机器学习理论模型、算法到编码实践的基本功； 同时，注重机器学习实践的案例化和体系化，注重培养读者与机器学习相关的项目开发能力和工程实践能力。 本书共6章。第1章为...