本书主要讲解了机器学习算法的基础知识，以及业界常用算法的应用。其中，项目1 介绍了机器学习的定义、类型、环境搭建以及开发步骤；项目2 介绍了如何进行数据预处理，包含如何对获取的原始数据进行处理、数据集的划分、数据的归一化，以及如何使用主成分分析来提取数据的主要特征等内容；其他8个项目主要介绍了目前主流的机器学习算法。每个项目均介绍了要讲解的算法的原理、步骤、特点，再通过具体的案例对算法的原理知识展开详细的讲解，并将算法应用于实际的场景中，加深读者对算法的理解。 　　本书可作为高等院校大数据技术、人工智能技术等相关专业的基础教材，也适合对机器学习感兴趣的读者自学。

李阳，博士研究生，攻读硕士与博士期间的研究方向为图像处理、计算机视觉和机器学习等。曾在企业中任职网络工程师与图像算法工程师。现任江苏信息职业技术学院专职教师。以第一作者身份在ACM Transactions on Multimedia Computing, Communications, and Applications、Neurocomputing等期刊上发表学术论文7篇，申请国家发明专利4项，参与国家自然科学基金2项

前 言 P r e f a c e “机器学习”这一概念是由美国人工智能领域的先驱阿瑟·塞缪尔（Arthur Samuel）在1959 年正式提出的，他说“机器学习赋予计算机学习的能力，而无须明 确编程”。 机器学习是人工智能领域中的一个子集，与以往计算机程序不同，机器学习强调 的是“学习”，而不是按部就班地执行命令。机器学习是计算机科学有趣的子领域之 一，但对它的定义目前还没有达到普遍共识。1997 年，汤姆·米切尔（Tom Mitchell） 给出了一个定义，即“对于某类任务T 和性能度量P，如果一个计算机程序在T 上以 P 衡量的性能随着经验E 而不断完善自身，那么称这个计算机程序在从经验E 中学习”。 机器学习是一门多领域交叉学科，涉及概率论、凸优化、统计学等学科，已经广 泛应用到制造、驾驶、农业、医学等领域。 本书介绍了当前主流的机器学习算法并把它们应用于实践，通俗易懂，通过算法 原理简介、多个实际案例讲解提高读者的兴趣，将带读者走入机器学习应用的大门。 Python 语言由于其易读性和大量库的支持，成为学习机器学习的首选语言。其中， Sklearn 库包含了大量的数据集和机器学习算法，为机器学习的入门提供了基础。本 书将使用Python 语言实现部分机器学习算法。 本书分为10 个项目，每个项目都包含多个子任务，通过任务驱动的方式讲解了 各种机器学习算法，具体如下。 （1）项目1　走进机器学习的世界。此项目主要是为后续项目内容做铺垫，介绍 了机器学习算法的种类、应用场景、常用的开发框架和软件库，以及如何配置机器学 习开发环境...