前言 机器学习(machine learning)是研究计算机怎样模拟或实现人类的学习行为的一门学科，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。 作为计算机系统结构专业的博士，本人一直致力于帮助机器学习初学者入门，主持和参与了很多国内外优秀作品的翻译、代码复现工作。比较有代表性的是吴恩达老师的机器学习课程的翻译工作及机器学习和深度学习笔记的撰写。 博士毕业后，本人成为一名大学教师，同时承担了本科生和研究生机器学习课程的教学工作。在教学过程中，本人学习和借鉴了国内外很多非常优秀的机器学习课程或作品(如吴恩达老师的机器学习课程、李航老师的《统计学习方法》、周志华老师的《机器学习》等)。站在巨人的肩膀上，本人决定写一本适合本科生和初学者的机器学习入门书。 本书初稿于2021年3月完成，并根据初稿的内容进行授课。经过3轮授课，本团队对其中的部分内容进行了调整，使其更适合初学者学习。同时，根据本书的内容，制作了慕课，通过中国大学慕课向读者开放，第一轮学习者超过1.1万人，属于比较热门的课程。 本书的课件和代码，已经分享在Github。同时，原版课件分享给了国内700多位大学教师，也收到了很多宝贵的意见。 本书定位为入门基础课，通过本书，学习者将初步理解主流的机器学习算法，并且可以用机器学习技术解决现实生活中的问题。 本书对初学者来说，属于“雪中送炭”，而不是“锦上添花”，更适合初学者学习，主要解决初学者的三个问题: (1) 资料太多，难以取舍。 (2) 理论性强，初学比较困难。 (3) 代码资料比较少。 本书共有15章，本书结构大体分为监督学习和无监督学习两部分。监督学习部分介绍了多种常见的机器学习算法，如k近邻法(knearest neighbor,KNN)、线性回归、支持向量机(support vector machine,SVM)、神经网络、朴素贝叶斯、逻辑回归、集成学习等分类算法和回归算法。无监督学习部分则聚焦于聚类、降维、关联规则等几大问题，并对Kmeans、主成分分析(principal component analysis,PCA)等代表算法进行了介绍，还对关联规则的主要算法进行讲解。此外，本书的第2章为选修内容，讲解学习机器学习需要掌握的基本数学知识。 本书可以作为专科生、本科生、研究生的教材。作为本科生的教材时，第2章数学基础回顾和第11章人工神经网络可以作为选修部分，建议课时: 理论课32课时，实验课16～32课时。作为专科生的教材时，建议配合代码进行课程讲解，增加实验部分课时，减少理论部分课时，建议课时: 理论课32课时，实验课32课时。作为研究生的教材时，建议课时为36课时，实验部分建议自学。 本书的课件和教案，可以分享给在职的教师，若有需要可在公众号“机器学习初学者”留言。 在本书的编写过程中，得到了很多人的支持和帮助，如李航老师和徐亦达老师，他们对本人的工作十分支持，在此表示感谢！ 本人水平有限，如有公式、算法错误，欢迎各位读者批评指正。 黄海广2023年1月7日

• 课件下载
• 样章下载
• 暂无网络资源

扫描二维码
下载APP了解更多

版权图片链接