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用了从示例入手、逐步推进的方式，保持了原有风格，有利于初学者深入学习。需要说明的是，作为长期研究的热点，这些领域的内容纷繁复杂，本书只讨论了它们的基本原理和经典算法，供入门学习使用。采用本书作为教材的老师，可根据教学目标和课程时长等因素选讲其中部分内容；本书的电子资源中提供了面向不同教学目标的多个教学大纲，可供参考。

为保持连续性，第1版的内容基本保留不变，但本书增加了一些示例，并对原示例代码进行了必要的更新。

许多老师和同学对第1版内容提出了宝贵的建议，在此表示感谢，并希望继续得到大家的批评和建议。

作者

2026年6月

第1版前言

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、标注任务、概率模型、神经网络模型、深度学习模型七个主题对相关内容进行组织。前四个主题以机器学习的四个主要任务为核心，讨论相关算法及基础知识。概率类模型和神经网络类模型可以完成聚类、回归、分类和标注等多类任务，但它们各有自成体系的基础知识，因此各设一个主题进行集中讨论，更方便读者理解。深度学习模型属于神经网络模型，是机器学习领域的后起之秀，对机器学习的兴起起到了至关重要的推动作用，单独设一个主题来讨论。此外，还单独设立一个主题对机器学习在工程应用中的特征工程、降维和超参数调优等问题进行讨论。

本书面向的读者是初学者，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，而是用文字说明加示例程序的方式。通过文字说明，读者可以从总体上理解算法运行过程。通过运行示例程序，读者可以精准地把握算法运行的细节、理解数据的变化过程。本书的示例代码基于Python 3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。

由于时间有限，书中如有错误，望读者和专家不吝赐教。

作者2020年8月