本书作为人工智能专业的入门书，带领读者初步学习和实践机器学习、深度学习的算法、流程和核心技术，并介绍了系统开发及开发环境，通过图解的方式将难懂的专业术语和算法表现出来，让没有相关专业基础的读者能够轻松入门。同时，本书还介绍了一些比较常用的网站网络服务，让读者能够学以致用。本书适合人工智能领域入门读者，也适合对人工智能感兴趣的其他领域读者学习。

本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种无监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。 本书适合所有对机器学习有兴趣的初学者阅读。 187张图解轻松入门 提供可执行的Matlab程序代码 覆盖机器学习中最经典、用途最广的算法 专业实用 东京大学教授、机器学习权威专家执笔，浓缩机器学习的关键知识点 图文并茂 187张图示帮助理解，详略得当，为读懂大部头开路。 角度新颖 基于最小二乘法讲解各种有监督学习的回归和分类算法，以及无监督学习算法。 实战导向 配有可执行的MATLAB程序代码，边学习边实践。

阅读本书，即使读者仅掌握高中数学知识，也能理解和应用强大的机器学习技术！简单来讲，机器学习是一套以算法为基础的数据分析技术，当你提供更多数据时，算法可反馈更好的结果。ML支持许多尖端技术，如推荐系统、面部识别软件、智能扬声器，甚至包括自动驾驶汽车。本书不落窠臼，示例丰富，精选的练习十分有趣，插图清晰，讲解机器学习的核心概念。 《机器学习图解》以简明易懂的方式介绍机器学习的算法和技术。本书不谈深奥的术语，只通过基本代数知识提供清晰的解释。你将使用Python构建有趣的项目，包括垃圾邮件检测和图像识别模型；还将学习一些实用技能，以清理和准备数据。 • 分类和划分数据的监督算法 • 清理和简化数据的方法 • 机器学习包和工具 • 复杂数据集的神经网络和集成方法 读者阅读本书前，最好了解Python基础知识，不必了解机器学习知识。

本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种无监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。 本书适合所有对机器学习有兴趣的初学者阅读。 187张图解轻松入门 提供可执行的Matlab程序代码 覆盖机器学习中最经典、用途最广的算法 专业实用 东京大学教授、机器学习权威专家执笔，浓缩机器学习的关键知识点 图文并茂 187张图示帮助理解，详略得当，为读懂大部头开路。 角度新颖 基于最小二乘法讲解各种有监督学习的回归和分类算法，以及无监督学习算法。 实战导向 配有可执行的MATLAB程序代码，边学习边实践。

本书以任务为导向，讨论了机器学习和深度学习的主要问题，包括聚类、回归、分类、标注、降维、特征工程、超参数调优、序列决策（强化学习）和对抗攻击等。书中对上述每个问题，分别从决策函数类模型、概率类模型和神经网络类模型三个角度来讨论具体的实现算法。本书在内容上兼顾基础知识和应用实践。总体上，以基本理论知识为主线，逐步展开，从概念入手，逐步讨论算法思想，着重考虑知识的关联性，最后落实到机器学习扩展库和深度学习框架的具体应用。具体到每个模型，采用以示例入手、逐渐深入的方式，尽量给出详尽的分析或推导。本书的特点是主要通过示例来讨论相关模型，适合初学者入门使用。本书示例代码采用Python3程序设计语言编写。传统机器学习算法的应用示例主要以ScikitLearn机器学习扩展库来实现，隐马尔可夫模型示例用hmmlearn扩展库来实现，条件随机场模型示例用CRF++工具来实现。深度学习算法的示例采用TensorFlow2框架和MindSpore框架来实现。

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。

Josh Starmer博士的YouTube账号中，“StatQuest”视频的总观看量突破7500万次（截至2025年2月统计的数据），他帮助世界各行各业的人赢得数据科学竞赛、通过考试、顺利毕业、成功求职或实现晋升，因此被大家誉为“硅谷守护神”。他那独特的图文表达形式和幽默的语言风格深受观众喜爱。这本《StatQuest图解机器学习》结合了他创新的视觉呈现方式，深入浅出地阐释了机器学习的基础知识和高阶知识，是一本轻松理解机器学习的“漫画书”。 《StatQuest 图解机器学习（全彩）》前3章着重介绍了机器学习的整体框架和主要思想，从第4章起，介绍了各种机器学习算法：从基础的线性回归（第4章）和逻辑回归（第6章）到朴素贝叶斯（第7章）和决策树（第10章），最后介绍了支持向量机（第11章）和神经网络（第12章）。在介绍机器学习算法的同时，本书还穿插介...(展开全部)

本书以多层神经网络、玻尔兹曼机器学习等经典理论为开端，以深度学习为结果，向读者展示了一个非常美妙的机器学习技术领域。内容包括数据采集、数据挖掘、机器学习、支持向量机、神经网络、模型调整、基于玻尔兹曼机器学习的图像处理方法等。 全书以一个众所周知的童话故事为蓝本，加入漫画插图的形式，开拓了一个零基础的读者也能够看懂并且乐于接受的学习方法。 虽然采用漫画插图的表达形式，但是书中对于内容的介绍仍然非常全面，仅仅是去掉了让人不容易理解的数学公式，取而代之的是简单易懂的一问一答的对话形式。 本书适合人工智能、机器学习方向的学生和技术人员学习，也适合广大人工智能爱好者阅读。

本书以多层神经网络、玻尔兹曼机器学习等经典理论为开端，以深度学习为结果，向读者展示了一个非常美妙的机器学习技术领域。内容包括数据采集、数据挖掘、机器学习、支持向量机、神经网络、模型调整、基于玻尔兹曼机器学习的图像处理方法等。 全书以一个众所周知的童话故事为蓝本，加入漫画插图的形式，开拓了一个零基础的读者也能够看懂并且乐于接受的学习方法。 虽然采用漫画插图的表达形式，但是书中对于内容的介绍仍然非常全面，仅仅是去掉了让人不容易理解的数学公式，取而代之的是简单易懂的一问一答的对话形式。 本书适合人工智能、机器学习方向的学生和技术人员学习，也适合广大人工智能爱好者阅读。