本书以机器学习算法为主题，详细介绍算法的理论细节与应用方法。全书共19章，分别介绍了逻辑回归及**熵模型、k近邻模型、决策树模型、朴素贝叶斯分类器模型、支持向量机模型、集成学习框架、EM算法、降维算法、聚类算法、神经网络模型等基础模型或算法，以及8个综合项目实例。本书重视理论与实践相结合，希望为读者提供全面而细致的学习指导。 本书适合机器学习初学者、相关行业从业人员以及高等院校计算机科学与技术、软件工程等相关专业的师生阅读。

吕云翔，北京航空航天大学软件学院副教授。具有多年的软件开发、项目管理、计算机教学经验，对IT行业具有较全面的认识，出版教材多部。目前研究领域包括：软件工程、人工智能、大数据。

前言 《机器学习基础》于2018年10月正式出版以来，经过了几次印刷。许多高校将其作为“机器学习”课程的教材，深受这些学校师生的钟爱，获得了良好的社会效益。但从另外一个角度来看，作者有责任和义务维护好这本书的质量，及时更新本书的内容，做到与时俱进。 此次作者对全书的内容进行了全面的修改，比第1版更加翔实，例子也更多，也更加利于教学。 为了帮助读者深入理解机器学习原理，本书以机器学习算法为主题，详细介绍了算法中涉及的数学理论。此外，本书注重机器学习的实际应用，在理论介绍中穿插项目实例，帮助读者掌握机器学习研究的方法。 本书共19章。第1章为概述，主要介绍了机器学习的概念、组成、分类、模型评估方法，以及sklearn模块的基础知识。第2~6章分别介绍了分类和回归问题的常见模型，包括逻辑回归与最大熵模型、k近邻模型、决策树模型、朴素贝叶斯分类器模型、支持向量机模型。每章最后均以一个实例结尾，使用sklearn模块实现。第7章介绍集成学习框架，包括Bagging、Boosting以及Stacking的基本思想和具体算法。第8~10章主要介绍无监督算法，包括EM算法、降维算法以及聚类算法。第11章介绍神经网络与深度学习，包括卷积神经网络、循环神经网络、生成对抗网络、图卷积神经网络等基础网络。第7~11章最后也均以一个实例结尾。第12~19章包含8个综合项目实战，帮助读者理解前面各章所讲内容。 机器学习是一门交叉学科，涉及概率论、统计学、凸优化等多个学科或分支，发展过程中还受到了生物学、经济学的启发。这样的特性决定了机器学习具有广阔的发展...