本书讨论了机器学习的基本问题和基本算法。从方便学习的目的出发，本书主要以聚类任务、回归任务、分类任务、标注任务、概率模型、神经网络模型、深度学习模型七个主题对相关内容进行组织。前四个主题以机器学习的四个主要任务为核心讨论相关算法及基础知识。概率类模型和神经网络类模型可以完成聚类、回归、分类和标注等多类任务，但它们各有自成体系的基础知识，因此各设一个主题进行集中讨论，可能更方便读者理解。深度学习模型属于神经网络模型，但它具有明显的特征和广泛的应用，是机器学习领域的后起之秀

前言 本书讨论了机器学习的基本问题和基本算法。从方便学习的目的出发，本书主要以聚类任务、回归任务、分类任务、标注任务、概率模型、神经网络模型、深度学习模型七个主题对相关内容进行组织。前四个主题以机器学习的四个主要任务为核心，讨论相关算法及基础知识。概率类模型和神经网络类模型可以完成聚类、回归、分类和标注等多类任务，但它们各有自成体系的基础知识，因此各设一个主题进行集中讨论，更方便读者理解。深度学习模型属于神经网络模型，是机器学习领域的后起之秀，对机器学习的兴起起到了至关重要的推动作用，单独设一个主题来讨论。此外，还单独设立一个主题对机器学习在工程应用中的特征工程、降维和超参数调优等问题进行讨论。 本书面向的读者是初学者，在讨论具体算法时，采用以示例入手、逐步推进的方式，并尽量给出详尽的推导。本书没有采用伪代码的方式来介绍算法流程，而是用文字说明加示例程序的方式。通过文字说明，读者可以从总体上理解算法运行过程。通过运行示例程序，读者可以精准地把握算法运行的细节、理解数据的变化过程。本书的示例代码基于Python 3语言实现，并按需使用了ScikitLearn（sklearn）机器学习和TensorFlow 2.0深度学习等模块。 本书不要求读者具有深厚的数学基础，但应理解导数、矩阵、概率等基本概念。读者还应具备基本的编程能力，能够探索运行本书的配套示例程序。 由于时间有限，书中如有错误，望读者和专家不吝赐教。 作者2020年8月