本书系统性地介绍了机器学习的基础知识、主要算法和应用,全面讲解了机器学习的核心概念与技术。全书共15章,主要内容包括机器学习概述、K近邻算法、模型评估与选择、朴素贝叶斯、线性回归及其改进、逻辑回归、神经网络、支持向量机、决策树、集成学习、特征选择与提取、K均值聚类、高斯混合模型、谱聚类和综合评价方法等。 本书理论与实践相结合,对重要知识点提供案例分析。通过学习本书,读者将能够理解并运用各种机器学习算法,熟练掌握机器学习的基础理论与应用技能,为解决实际问题打下坚实的基础。 本书可作为高等院校计算机类、人工智能、信息安全等相关专业的教材,也可作为感兴趣读者的自学读物,还可作为相关行业技术人员的参考用书。

邹黎敏，重庆工商大学数学与统计学院副教授。先后在国内外期刊上发表论文50余篇，其中SCI收录30余篇，EI检索10余篇。主持重庆市科技局项目2项、重庆市教委科技计划项目4项，参与国家自然科学基金青年基金项目3项，主持重庆市教委教学改革项目1项，发表教研论文5篇，参编教材3部。

前言 党 的二十大报告指出： 教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略。高等教育与经济社会发展紧密相连，对促进就业创业、助力经济社会发展、增进人民福祉具有重要意义。 在大数据与人工智能迅猛发展的时代，机器学习作为核心技术之一，正深刻改变着各行各业的面貌。无论是在金融、医疗、交通还是在制造、零售等领域，机器学习技术的应用正推动着业务模式的转型和效率的提升。对于海量的数据，传统的数据分析方法已无法满足现代社会的需求，而机器学习为人们提供了强大的工具，帮助人们从数据中提取有价值的信息，以实现智能化的决策与预测。 本书的目的是提供一套系统的机器学习知识体系，帮助读者理解机器学习的基本原理、常用算法及实际应用。本书主要内容分为三部分： 第1部分介绍机器学习的基础概念； 第2部分深入探讨各种模型及算法的理论基础等； 第3部分侧重于讲解机器学习在不同领域中的实际应用案例。为了确保读者在学习过程中能够有效吸收知识，本书采用理论与实践相结合的方式。本书各章均提供了真实的案例及实现代码，鼓励读者动手实践，巩固所学知识。这里推荐一些开源工具和库(如Scikitlearn和TensorFlow等)，以便读者在实际操作中提升自己的技能。 机器学习是一个快速发展的领域，新技术、新算法层出不穷。为此，读者应当在学习过程中积极寻找其他资料，参与在线课程和社区讨论，以补充和扩展自己的理解。特别是数据预处理和特征工程等重要环...