本书以Python为开发语言，采用理论与实践相结合的形式，系统全面地介绍了机器学习涉及的核心知识。本书共6章，其中第1章介绍机器学习的基础知识，包括机器学习的概念、分类、研究范围、开发环境等，介绍第一个机器学习案例； 第2、3章介绍机器学习的主要方法： 监督学习与无监督学习，涉及目前机器学习最为流行的经典算法和模型，如KNN、朴素贝叶斯、决策树、线性回归、逻辑回归、SVM、神经网络、PCA降维、KMeans，每个算法模型都配有代码及可视化演示，让读者能更直观形象地理解机器学习； 第4章介绍机器学习非常重要的数据处理方法： 特征工程，特征工程能进一步提高机器学习算法的性能； 第5章介绍机器学习模型的评估与优化，通过评估判断模型优劣，评估后利用优化方法使其达到生产需求； 第6章介绍机器学习的应用案例，让读者更直观地感受机器学习在生产生活中的实际用途。 本书附有配套教学课件、源代码、习题，供读者实践，旨在通过边学边练的方式，巩固所学知识，提升开发能力。 本书可作为高等学校计算机相关专业的教材，也可作为机器学习工程技术人员的参考用书。

前言 以云计算、大数据、人工智能为引领的新一轮技术进步正在融入各行各业，在这样一个转型阶段，人工智能备受关注。人工智能取得革命性进步背后的推手，其实是机器学习(Machine Learning)。由机器学习驱动的人工智能领域在过去十多年中经历了一些惊人的变化，它从一个纯粹的学术研究领域开始，到现在已经看到广泛的行业正在采用机器学习技术。跨越多个领域的应用正在蓬勃发展，包括推荐系统、自动驾驶技术、图像、语音、文本处理等技术正在多个领域广泛应用，并取得了巨大的商业价值。机器学习是人工智能的组成部分，是人工智能的核心。 由于多个领域的广泛应用，催生了巨大的人才需求，为此，近年来，各高校纷纷开设智能科学与技术专业、人工智能专业、数据科学与大数据专业。传统的计算机科学与技术专业、软件工程专业也开设了人工智能方向，而机器学习是其中重要的核心课程，学习和掌握机器学习技术具有巨大的社会需求。在此背景下，希望这本以面向应用为主的机器学习教材可以帮助读者更好、更快地进入机器学习领域。 机器学习其实是一门多领域交叉学科，它涉及计算机科学、概率统计、函数逼近论、最优化理论、控制论、决策论、算法复杂度理论、实验科学等多个学科。机器学习也因此有许多不同的具体定义，分别因学科视角不同而有差异。但总体上讲，其关注的核心问题是如何用计算的方法模拟人类的学习行为，从历史经验中获取规律(或模型)，并将其应用到新的类似场景中。 机器学习是用算法指导计算机利用已知数据自主构建合理的模型，并利用此模型对新的情境给出判断的过程。它不同于传统软件程序，因为传统软件由人编写指令，软件按照这些预先编写的逻辑规则运...