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。