《機器學習原理及應用》從機器學習原理和應用出發(fā)，結合案例介紹了機器學習的基礎技術和典型模型算法，包括機器學習的基礎、特征選擇與降維、典型學習算法、深度學習與神經網絡、集成學習與遷移學習、強化學習、計算機視覺與語音識別等技術；詳細介紹了機器學習典型模型算法及神經網絡學習、計算機視覺和語音識別技術應用，并以實例介紹了應用場景需求、特征表示、深度神經網絡設計、預訓練模型及預測應用的開發(fā)方法和開發(fā)過程。
每個案例配有源碼，每章配有習題，幫助讀者進行深入學習。
《機器學習原理及應用》既可作為高等院校、職業(yè)本科院校人工智能、大數(shù)據技術、計算機等專業(yè)相關課程的教材，也可作為機器學習從業(yè)者的技術參考書。
1）理實融通，逐步詳解在數(shù)據準備、特征提取、特征表示、算法解析、深度神經網絡、集成遷移強化、視覺與語音方面的技術，以及機器學習庫、框架技術及應用和開發(fā)步驟等內容。
2）實例豐富，幫助讀者理解、掌握機器學習從初級技術到核心技術的應用開發(fā)任務
3）配有電子課件、所有項目源代碼及數(shù)據等資源
近年來，在神經網絡、大模型的引領下，機器學習技術邁入了新的發(fā)展階段，已經成為推動芯片研發(fā)、無人駕駛、智能制造、醫(yī)療診斷、藥物研發(fā)等應用快速發(fā)展的重要手段，以及人工智能、數(shù)據科學與大數(shù)據技術等新型專業(yè)的基礎。由于機器學習涵蓋領域眾多，技術原理難點多、算法復雜，市面上關注機器學習領域全技術、全流程與實踐融合的書籍較少，能幫助讀者全面了解機器學習原理、最新前沿技術、易于動手實踐的入門教材更少。針對此問題，《機器學習原理及應用》從機器學習的基本問題、處理流程、開發(fā)平臺、學習框架等基礎出發(fā)，通過案例實踐全面深入詳解了機器學習基礎、特征選擇與降維、典型學習算法、深度學習與神經網絡、集成學習與遷移學習、強化學習、計算機視覺、語音識別、AI云開發(fā)平臺等技術，并引入了大模型、端到端學習等案例實踐，供讀者深入學習。
《機器學習原理及應用》從機器學習原理基礎講起，理實融通，逐步詳解在數(shù)據準備、特征提取、特征表示、算法解析、深度神經網絡、集成遷移強化、視覺與語音方面的技術，以及機器學習庫、框架技術及應用和開發(fā)步驟等內容。全書共9章，分為四部分，分別為：機器學習基礎部分，包括機器學習基礎、特征選擇與降維、典型學習算法（第1～3章）；機器學習核心技術部分，包括深度學習與神經網絡、集成學習與遷移學習、強化學習（第4～6章）；機器學習應用部分，包括計算機視覺技術、語音識別（第7、8章）；AI云開發(fā)平臺（第9章）。
《機器學習原理及應用》作為面向高等院校人工智能、數(shù)據科學與大數(shù)據技術等專業(yè)的教材，涵蓋了機器學習所涉及的主要技術。通過真實的項目案例，講解機器學習的核心技術、應用知識體系，項目內容包括特征提取降維表示、典型算法學習預測、深度學習與神經網絡綜合應用、集成遷移欺詐檢測、強化學習技術飛揚小鳥、深度視覺人臉表情識別、端到端中文語音識別，全面且實用，從機器學習初級基礎到核心算法應用，涵蓋了機器學習環(huán)境搭建、數(shù)據特征表示、模型設計、模型訓練、模型預測應用的全流程操作，具有從理論到實踐，再到應用的操作性，適合具有Python基礎的機器學習入門讀者學習。
書中所介紹的項目案例都已在Python環(huán)境、PyCharm、TensorFlow下調試運行通過。每章除了實踐案例之外，還給出一個完整的綜合案例，以幫助讀者理解、掌握機器學習從初級技術到核心技術的應用開發(fā)任務。通過文本、圖片、視頻、語音等數(shù)據，進行多模態(tài)的機器學習全流程設計開發(fā)，讀者能夠跟隨書中項目案例完成機器學習原理知識的全過程任務。作為教材，每章后附有習題。
《機器學習原理及應用》的編寫、代碼調試工作由毋建軍、姜波、郭舒完成。感謝本書責任編輯解芳老師給予的支持和幫助。
由于時間倉促，書中難免存在不妥之處，請讀者原諒，并提出寶貴意見。
編 者
毋建軍，北京政法職業(yè)學院副教授、教研室主任；參與國家科技支撐計劃項目、中國科學院戰(zhàn)略性先導科技專項項目課題社會態(tài)勢感知與處理、國家信息安全計劃、863項目；主持4項院級科研項目，司法部精品課程等項目2項，市級科研項目3項，取得發(fā)明專利3項、軟件著作權2項；主要承擔移動應用開發(fā)技術、移動物聯(lián)網應用開發(fā)、Android高級開發(fā)技術、Java Web框架開發(fā)、Java核心技術、大數(shù)據技術、Python程序設計等課程。
姜波，博士，中國科學院信息工程研究所副研究員、碩士生導師，中國科學院大學崗位教師，主持國家重點研發(fā)計劃、國家自然科學基金、中國科學院戰(zhàn)略性先導科技專項等多項國家級科研項目，在AAAI、WWW、SIGIR等國內外會議上發(fā)表論文40余篇，授權發(fā)明專利20余項，主編《Python數(shù)據分析、挖掘與可視化》等教材。
郭舒，博士，國家互聯(lián)網應急中心高級工程師，主持國家自然科學基金等項目，在ACL、AAAI、SIGIR等國內外頂級會議上發(fā)表論文20余篇，受理發(fā)明專利10余項。
目 錄
前言
第1章 機器學習基礎 1
1.1 機器學習簡介 1
1.2 機器學習任務 4
1.2.1 機器學習問題 4
1.2.2 機器學習典型任務 5
1.2.3 機器學習應用場景 7
1.3 搭建機器學習開發(fā)環(huán)境 7
1.3.1 開發(fā)環(huán)境系統(tǒng)要求 7
1.3.2 Windows10系統(tǒng)平臺下搭建開發(fā)
環(huán)境 7
1.3.3 Linux系統(tǒng)平臺下搭建開發(fā)環(huán)境 16
1.4 機器學習常用庫概述 21
1.4.1 庫簡介 21
1.4.2 庫安裝及集成 22
1.5 機器學習框架概述 24
1.6 機器學習開源平臺 25
1.7 小結 29
習題 29
參考文獻 29
第2章 特征選擇與降維 30
2.1 特征選擇簡介 30
2.2 特征選擇方法 32
2.2.1 過濾式方法 32
2.2.2 包裹式方法 37
2.2.3 嵌入式方法 41
2.3 降維技術 46
2.4 主成分分析 56
2.5 綜合案例：基于feature_selector
庫的商業(yè)信貸特征選擇 60
2.6 小結 64
習題 65
參考文獻 65
第3章 典型學習算法 66
3.1 回歸算法 66
3.1.1 回歸簡介 66
3.1.2 回歸技術 67
3.1.3 常用回歸算法 68
3.1.4 回歸評價標準 74
3.1.5 案例：房屋價格回歸分析 75
3.2 聚類算法 77
3.2.1 聚類簡介 77
3.2.2 聚類技術 78
3.2.3 常用聚類算法 78
3.2.4 聚類評價標準 82
3.2.5 案例：用戶社區(qū)聚類分析 83
3.3 分類算法 85
3.3.1 分類簡介 86
3.3.2 分類技術 86
3.3.3 常用分類算法 86
3.3.4 分類評價標準 90
3.3.5 案例：新聞分類 92
3.4 支持向量機 95
3.4.1 支持向量機簡介 95
3.4.2 間隔 96
3.4.3 核函數(shù)與方法 99
3.4.4 案例：垃圾郵件過濾 100
3.5 決策樹 102
3.5.1 決策樹簡介 102
3.5.2 構造及基本流程 103
3.5.3 剪枝方法 105
3.5.4 案例：鳶尾花預測應用 106
3.6 綜合案例：基于隨機森林回歸的
空氣質量預測 107
3.7 小結 111
習題 111
參考文獻 111
第4章 深度學習與神經網絡 113
4.1 深度學習 113
4.1.1 深度學習簡介 113
4.1.2 深度學習框架 115
4.2 神經網絡 116
4.2.1 神經網絡簡介 116
4.2.2 前饋神經網絡 119
4.2.3 圖神經網絡 121
4.2.4 圖卷積神經網絡 123
4.3 深度神經網絡 126
4.3.1 深度神經網絡簡介 126
4.3.2 深度神經網絡模型 128
4.3.3 案例：手寫數(shù)字識別 129
4.4 卷積神經網絡 133
4.4.1 卷積神經網絡簡介 133
4.4.2 典型卷積神經網絡算法 135
4.4.3 案例：貓狗分類應用 143
4.5 循環(huán)神經網絡 147
4.5.1 循環(huán)神經網絡簡介 147
4.5.2 典型循環(huán)神經網絡算法 149
4.5.3 案例：文本分類 151
4.6 長短期記憶網絡 155
4.6.1 長短期記憶網絡簡介 155
4.6.2 典型長短期記憶網絡算法 156
4.6.3 案例：文本生成應用 158
4.7 綜合案例 162
4.7.1 驗證碼識別 162
4.7.2 自動寫詩機器人 170
4.8 小結 174
習題 175
參考文獻 175
第5章 集成學習與遷移學習 178
5.1 集成學習 178
5.1.1 集成學習簡介 178
5.1.2 集成學習算法 179
5.1.3 集成學習應用 181
5.2 遷移學習 182
5.2.1 遷移學習簡介 182
5.2.2 遷移學習分類 183
5.2.3 遷移學習算法 184
5.2.4 遷移學習應用 187
5.3 綜合案例：欺詐檢測應用 188
5.4 小結 191
習題 192
參考文獻 192
第6章 強化學習 194
6.1 強化學習簡介 194
6.2 強化學習技術 196
6.2.1 有模型強化學習與無模型強化
學習 196
6.2.2 推薦系統(tǒng) 197
6.2.3 模仿學習 200
6.2.4 Q-learning算法 201
6.2.5 蒙特卡羅強化學習 202
6.2.6 時序差分強化學習 202
6.3 綜合案例：飛揚小鳥游戲 203
6.4 小結 206
習題 207
參考文獻 207
第7章 計算機視覺技術 209
7.1 計算機視覺簡介 209
7.2 計算機視覺基礎 211
7.2.1 圖像表示 211
7.2.2 圖像讀取、存儲 212
7.2.3 視頻捕獲及流保存 218
7.2.4 圖像計算 220
7.2.5 圖像二值化及平滑 221
7.2.6 圖像變換及形態(tài)學操作 229
7.2.7 圖像輪廓檢測 237
7.3 計算機視覺開發(fā)平臺 242
7.3.1 ARM嵌入式人工智能開發(fā)平臺 242
7.3.2 嵌入式GPU人工智能開發(fā)平臺 242
7.3.3 計算機視覺綜合開發(fā)平臺 243
7.4 典型算法 244
7.4.1 LeNet算法 244
7.4.2 MobileNets算法 249
7.4.3 目標檢測算法 258
7.5 綜合案例：基于深度神經網絡的
人臉表情識別 264
7.6 小結 271
習題 272
參考文獻 272
第8章 語音識別 274
8.1 語音識別技術簡介 274
8.2 常用工具及平臺 276
8.2.1 語音識別工具 276
8.2.2 語音識別平臺 279
8.3 語音數(shù)據特征處理 283
8.4 典型算法 286
8.5 在線語音識別 292
8.5.1 音頻流識別 293
8.5.2 文本轉語音 294
8.5.3 視頻字幕文本生成 295
8.6 綜合案例：基于端到端的中文
語音識別 302
8.7 小結 306
習題 306
參考文獻 306
第9章 AI云開發(fā)平臺 308
9.1 AI云開發(fā)簡介 308
9.2 云開發(fā)平臺 311
9.2.1 百度云開發(fā)平臺 312
9.2.2 阿里云開發(fā)平臺 320
9.2.3 Face 云開發(fā)平臺 324
9.2.4 科大訊飛云平臺 329
9.3 綜合案例 333
9.3.1 基于EasyDL的多物體識別 333
9.3.2 基于PaddlePaddle的CNN圖像
識別 340
9.4 小結 350
習題 350
參考文獻 351
書單推薦
