本书讨论了机器学习的基本问题和基本算法。从方便学习的目的出发,本书主要以聚类任务、回归任务、分类任务、特征工程、降维与超参数调优、概率模型与标注任务、神经网络模型、深度学习模型、生成对抗网络、对抗样本、强化学习等主题对相关内容进行组织。 本书在讨论具体算法时,采用以示例入手、逐步推进的方式,并尽量给出详尽的推导。本书没有采用伪代码的方式来介绍算法流程,而是用文字说明加(或)示例程序的方式。本书的示例代码基于Python 3程序设计语言实现,并按需使用了Scikit-Learn(sklearn)机器学习和TensorFlow 2.0深度学习等模块。本书不要求读者具有深厚的数学基础,但应理解导数、矩阵、概率等基本概念。读者还应具备基本的编程能力,能够探索运行本书的配套示例程序。 本书理论推导与证明详细、深入,结构清晰,详细地讲述主要算法的原理与细节,让读者不仅知其然,还知其所以然,真正理解算法、学会使用算法。对于计算机、人工智能及相关专业的本科生和研究生,这是一本适合入门与系统学习的教材;对于从事人工智能和机器学习产品研发的工程技术人员,本书也具有很强的参考价值。

第2版前言 本书第1版出版以来，机器学习领域的理论研究和应用实践都取得了令人惊叹的发展。这些发展，尤其大语言模型的应用，为教育智能化提供了有力支撑。在计算机相关领域，大语言模型的辅助编程、自动查找并总结文献、精准解疑答惑等，不仅可以提高生产效率，还可以有效提高学习效率。这些技术的发展，反过来，对机器学习相关知识的学习提出了新的要求。 首先，学习内容更加丰富。生成对抗网络模型、强化学习模型、大语言模型等层出不穷，该领域的研究者和从业者需要持续地学习新知识、不断地探索新技术。 其次，学习要求更加深入。机器学习领域的长足进步突出表现为人们从机器学习模型构建的“工程师”向“指导者”转变。大语言模型可以按照指令快速构建出初步的机器学习模型，并按要求修改语法等方面的错误，因此，编码等方面的学习要求降低了，学习所投入的时间和精力相应减少。但是，构建机器学习模型的核心知识要求并没有降低。因为大语言模型是基于现有知识的，它只能构建初步的机器学习模型，设计者需要具备能够检查、核实初步模型是否正确的能力，能够指导大模型对初步模型进行调整，必要时能够编写关键的代码来创新模型。也就是说，大语言模型可以帮助人们写机器学习模型的“初稿”，但真正的“成品”模型仍然需要精心打磨才能得到。 总体来说，机器学习技术的长足进步，对机器学习自身的学习提出了更丰富、更深入的要求，同时也为达到该要求的学习过程提供了便利。 顺应形势的发展，本书第2版优化了原有内容，增加了该领域当前研究热点的基础知识，主要包括生成对抗网络、强化学习、大语言模型和对抗样本等内容。对新内容的讨论仍然沿...