本书是作者多年在数据智能领域中利用机器学习实战经验的理解、归纳和总结。出于“回归事物本质，规律性、系统性地思考问题”“理论为实践服务并且反过来充实理论，为更多人服务”的想法和初心，本书系统地阐述了机器学习理论和工程方法论，并结合实际商业场景落地。 全书分为3部分。第1部分是机器学习的数学理论理解，这部分不是对于机器学习数学理论的严谨推导和证明，更多是对于理论背后的“到底是什么，为什么要这样做”的通俗理解。尽可能通过对应到日常生活中的现象来进行讲述。第2部分是机器学习模型、方法及本质，这一部分针对机器学习的方法论及具体的处理过程进行阐述。涉及数据准备、异常值的检测和处理、特征的处理、典型模型的介绍、代价函数、激活函数及模型性能评价等，是本书的核心内容。我们学习知识的主要目的是解决问题，特别是对于企业的从业人员，对在商业实战环境中出现的问题，希望通过机器学习的方式来更好地解决。第3部分是机器学习实例展示。

与使用数学语言或计算机编程语言讲解算法的书不同，本书另辟蹊径，用通俗易懂的人类语言以及大量有趣的示例和插图讲解10多种前沿的机器学习算法。内容涵盖k均值聚类、主成分分析、关联规则、社会网络分析等无监督学习算法，以及回归分析、k最近邻、支持向量机、决策树、随机森林、神经网络等监督学习算法，并概述强化学习算法的思想。

本书介绍了数据科学领域常用的所有重要机器学习算法以及TensorFlow和特征工程等相关内容。涵盖的算法包括线性回归、逻辑回归、支持向量机、朴素贝叶斯、k均值、随机森林等，这些算法可以用于监督学习、非监督学习、强化学习或半监督学习。 在本书中，你将学会如何使用这些算法来解决所遇到的问题，并了解这些算法的工作方式。本书还将介绍自然语言处理和推荐系统，这些内容将帮助大家进行多种算法的实践。

本书是机器学习原理和算法编码实现的基础性读物，内容分为两大主线：单个算法的原理讲解和机器学习理论的发展变迁。算法除包含传统的分类、聚类、预测等常用算法之外，还新增了深度学习、贝叶斯网、隐马尔科夫模型等内容。对于每个算法，均包括提出问题、解决策略、数学推导、编码实现、结果评估几部分。数学推导力图做到由浅入深，深入浅出。结构上数学原理与程序代码一一对照，有助于降低学习门槛，加深公式的理解，起到推广和扩大机器学习的作用。

数字化转型背景下，Python作为一门简单、易学、速度快、免费、开源的主流编程语言，广泛应用于大数据处理、人工智能、云计算等各个领域，是众多高等院校学生的必修基础课程，也是堪与Office办公软件应用比肩的职场人士的必备技能。同时随着数据存储、数据处理等大数据技术的快速进步，机器学习的各种算法在各行各业得以广泛应用，同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”有机结合，推动数字化人才的培养，提升人才的实践应用能力。 全书内容共17章。第1、2章介绍Python的入门知识和进阶知识；第3章介绍机器学习的概念及各种术语及评价标准；第4~10章介绍相对简单的监督式学习方法，包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶斯算法、高维数据惩罚回归算法、K近邻算法；第11、12章介绍主成分分析算法、聚类分析算法两种非监督式学习算法；第13~15章介绍相对复杂的监督式学习算法，包括决策树算法和随机森林算法、提升法两种集成学习算法；第16、17章介绍支持向量机算法、神经网络算法两种高级监督式学习算法。 本书可以作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python或机器学习应用的专业教材、参考书；也可以作为企事业单位数字化人才培养的教科书、工具书，还可以作为职场人士自学掌握Python机器学习应用、提升数据挖掘分析能力进而提高工作效能和改善绩效水平的工具书。

数字化转型背景下，Python作为一门简单、易学、速度快、免费、开源的主流编程语言，广泛应用于大数据处理、人工智能、云计算等各个领域，是众多高等院校学生的必修基础课程，也是堪与Office办公软件应用比肩的职场人士的必备技能。同时随着数据存储、数据处理等大数据技术的快速进步，机器学习的各种算法在各行各业得以广泛应用，同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”有机结合，推动数字化人才的培养，提升人才的实践应用能力。 全书内容共17章。第1、2章介绍Python的入门知识和进阶知识；第3章介绍机器学习的概念及各种术语及评价标准；第4~10章介绍相对简单的监督式学习方法，包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶斯算法、高维数据惩罚回归算法、K近邻算法；第11、12章介绍主成分分析算法、聚类分析算法两种非监督式学习算法；第13~15章介绍相对复杂的监督式学习算法，包括决策树算法和随机森林算法、提升法两种集成学习算法；第16、17章介绍支持向量机算法、神经网络算法两种高级监督式学习算法。 本书可以作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python或机器学习应用的专业教材、参考书；也可以作为企事业单位数字化人才培养的教科书、工具书，还可以作为职场人士自学掌握Python机器学习应用、提升数据挖掘分析能力进而提高工作效能和改善绩效水平的工具书。

个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求，并为其推送个性化信息，因此受到研究者的追捧及工业界的青睐，其研究具有重大的学术价值及商业应用价值，已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。 本书内容丰富，较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略，主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。 本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参考。

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。

《机器视觉与机器学习——算法原理、框架应用与代码实现》内容共10章。第1章为绪论，包括机器视觉的相关概念，机器视觉的发展、基本任务、应用领域与困难，以及马尔视觉理论；第2章为数字图像处理；第3章为相机成像；第4章为相机标定；第5章为Shape from X；第6章为双目立体视觉；第7章为结构光三维视觉；第8章为深度相机，介绍当前颇受欢迎的Kinect、Intel RealSense等深度相机的知识与相关应用；第9章为机器学习基础；第10章为机器学习在机器视觉领域的应用，包括机器学习在模式识别、图像超分辨率重建、图像去噪、目标跟踪、三维重建等方面的应用。