本书以任务为导向，讨论了机器学习和深度学习的主要问题，包括聚类、回归、分类、标注、降维、特征工程、超参数调优、序列决策（强化学习）和对抗攻击等。书中对上述每个问题，分别从决策函数类模型、概率类模型和神经网络类模型三个角度来讨论具体的实现算法。 　　本书在内容上兼顾基础知识和应用实践。总体上，以基本理论知识为主线，逐步展开，从概念入手，逐步讨论算法思想，着重考虑知识的关联性，最后落实到机器学习扩展库和深度学习框架的具体应用。具体到每个模型，采用以示例入手、逐渐深入的方式，尽量给出详尽的分析或推导。 　　本书的特点是主要通过示例来讨论相关模型，适合初学者入门使用。本书示例代码采用Python 3程序设计语言编写。传统机器学习算法的应用示例主要以ScikitLearn机器学习扩展库来实现，隐马尔可夫模型示例用hmmlearn扩展库来实现，条件随机场模型示例用CRF++工具来实现。深度学习算法的示例采用TensorFlow 2框架和MindSpore框架来实现。 　　本书适合计算机、人工智能及相关专业的学生使用，对于相关技术研究人员也有参考价值。

前言 《机器学习(Python+sklearn+TensorFlow 2．0)微课视频版》一书在出版后，受到了读者的欢迎。作者为了适应不同读者的需要，应出版社建议，编写了本书。本书的特点是主要通过示例来讨论传统机器学习模型、深度学习模型和强化学习模型，更适合初学者入门使用。 本书的内容全面，可供入门学习和工程参考。 本书内容的编排大体与《机器学习(Python+sklearn+TensorFlow 2．0)微课视频版》一书对应，因此，也可与之配套使用。结合机器学习领域发展现状，本书增加了强化学习和对抗样本的内容。 本书示例代码采用Python 3程序设计语言编写。传统机器学习算法的应用示例主要基于ScikitLearn机器学习扩展库实现，隐马尔可夫模型示例基于hmmlearn扩展库实现，条件随机场模型示例基于CRF++工具实现。深度学习算法的示例基于TensorFlow 2框架和MindSpore框架实现。MindSpore是华为公司于2020年开源的深度学习框架，目前正在快速发展之中。强化学习示例基于gym仿真框架实现。考虑到大多数初学者的条件限制，本书示例全部基于CPU计算平台实现。 本书没有直接聚焦于扩展库和框架本身，而是以基本理论知识为主线来逐步展开，从概念入手逐步讨论算法思想，着重考虑知识的关联性，最后落实到扩展库和框架的具体应用。作者认为这样的知识学习路线更有利于初学者。 在内容规划方面，强调任务驱动，总体上以聚类、回归、分类、标注、特征工程与超参数调优、序列决策、对抗攻击来划分知识模块。具体来讲： 第1章介绍开发环境的安装以及Python...