前言

教育部新工科培养方案明确指出本科生应具备复杂系统设计能力。本书与此目标完美契合，同时具备高阶性、创新性与挑战性三种特质。本书是四位作者通力合作的成果，具有以下四个特色。

第一，所见即所得。所有编码和图表分析，均出自本书案例的实践过程，与案例100%同步，100%测试，100%可靠。

第二，一例一世界。七个案例，各有侧重。案例全部采用国际著名机构发布的真实数据，研究领域涉及房产零售、生物信息、图像处理、自动驾驶、蛋白质折叠、机器问答、植物病理等。案例从数据分析和预处理开始，到特征工程，再到机器学习建模，最后完成模型评估，系统推演，丝毫毕现。

第三，把脉问前沿。案例聚焦问题前沿与技术前沿，同时兼顾方法的普适性、代表性与先进性。例如，对于历史经典模型（LeNet5）、结构优美的模型（VGG16）、自身应用广泛并对后来算法影响深远的模型（ResNet、Inception）、性能卓著的后起之秀模型（YOLO v1～v4、DenseNet、EfficientNet、EfficientDet、BERT）等，予以重点关注。

第四，视频求深解。所有章节同步配有作者高清视频讲解，扫描书中二维码即可在线观看。视频不是书本内容的简单重复，而是再次升华和有益补充。视频讲解弥补了文字在逻辑推演细节上的跳跃，口头表达带来了更为丰富的立体感知，视频讲解在聚焦前沿方面亦多有拓展。

本书以应用为导向，理论教学贯穿其中，理论与实践相得益彰。

回归问题讨论了线性回归、岭回归、Lasso回归、ElasticNet回归、XGBoost回归、Voting回归和Stacking回归七种方法在同一问题上的表现。

神经网络基本理论的内容则循序渐进，包括神经网络结构、激励函数、损失函数、梯度下降、正向传播、反向传播、偏差与方差、正则化、MiniBatch梯度下降、参数与超参数、优化算法等。

卷积神经网络的内容囊括卷积核、卷积运算、边缘扩充、卷积步长、最大池化与平均池化、卷积层、经典结构、1×1卷积等基础模块，也包括对经典网络的剖析与运用，包括LeNet5网络、VGG16网络、ResNet网络、Inception网络、DenseNet网络、EfficientNet网络、EfficientDet网络等。

自动驾驶与YOLO算法碰撞，从目标检测、OpenCV、滑动窗口、卷积滑动窗口、Bounding Box、交并比、非极大值抑制、Anchor Box等算法基础模块，到最后的YOLO算法v1、v2、v3、v4等一气呵成。

循环神经网络和自然语言处理领域，从词汇表征、词嵌入向量、注意力机制、Transformer到以BERT模型为核心的机器问答。

本书将理论知识作为独立教学模块，与案例推演前后呼应，浑然一体。这种边理论边实践的教学模式，既可在工程实践中熏陶理论见识，又可在复杂系统设计中淬炼过硬本领。

总之，本书坚持理论与实践相融合的教学理念，使得案例在易读、易学、易用、易模仿、易创新等方面形成了自己的特色。作者坚持一流教学标准引领教材各个环节的创作，既有内容美，又有形式美。教材文案设计和视频讲解以读者为中心，课后习题均有解答，让读者学得轻松，学得快乐，学有所成。

本书彩色图表较多，为了节约印刷成本，彩色图表以黑白颜色呈现，但是文字表达仍然沿用彩色图表的描述逻辑，一方面是为了保留彩色图表的丰富内涵； 另一方面，彩色图表本身就是实践的结果。如果读到描述彩色图表的文字，可以参照视频讲解、程序文档或随书课件，完整复原彩色图表的庐山真面目。

本书的出版得到了清华大学出版社的大力支持，在此致以衷心感谢！

本书案例编码借鉴了众多Kaggle作者、GitHub作者和不知名网络作者的方案，书中行文或者案例文档已有注明，部分图表引用了论文作者的原创，相关论文已列在书末参考文献中。在此向众多的网络作者、原创学者表达谢意！本书部分内容参照了吴恩达老师的深度学习公开课，在此表达崇高敬意！

好作品离不开读者的反馈，欢迎读者批评指正。

最后，是写给读者的几句话： 

致读者

数据滔滔，浮光跃金。

机器碌碌，静影沉璧。

平凡数据，不凡潜力。

生生不息，碌碌不止。

案例领航，风雷万里。

鸿蒙壮心，寻根问底。

明明如月，何时可掇？

行到水穷，坐看云起。

编著者2020年5月