近年来，随着大数据技术、机器学习、数据挖掘、数据科学以及人工智能等领域的发展与兴起，掀起一场新的技术革命，各行各业对机器学习相关人才的需求也随之而来。机器学习作为数学与计算机的交叉学科，旨在培养集数学分析和计算机编程于一体的优秀人才，适应于当前人工智能的高速发展。
本书的编写旨在帮助大量对机器学习和数据挖掘应用感兴趣的读者朋友，整合并应用时下最流行的基于Python语言的机器学习程序库，如scikitlearn、PyTorch等； 针对现实中的科研问题，甚至是企业案例、Kaggle竞赛(当前最流行的机器学习竞赛平台)中的应用任务，快速搭建有效的机器学习系统。
本书每一章都描述一个经典的机器学习方法及其实践案例。作者在充分讲解了方法的理论基础上，进一步通过应用案例手把手地教读者如何搭建一个机器学习模型及其应用。
本书力求减少读者对编程技能和数学知识的过分依赖，进而降低理解本书与应用机器学习模型的门槛，并试图让更多的兴趣爱好者体会到使用经典模型以及更前沿的深度学习模型的乐趣。
本书可被视为一本以问题为导向的书籍，非常适合具备一定数学基础和计算机编程基础的读者学习。读者可以在短时间内学习本书中介绍的所有算法。
作为一本关于机器学习应用实战的书籍，本书分为三部分，包括基础篇、综合篇和拓展篇，共15章。
第一部分为基础篇，包括第1~8章。
第1章为机器学习基础，首先简要阐述机器学习的相关任务，并对机器学习中常用的术语进行了讲解； 然后介绍了机器学习最常用的编程语言与环境，展示了Python的安装、使用方法和PyTorch框架。
第2章为数据预处理，围绕数据预处理的原理和应用展开，包括数据清洗、数据转换和数据压缩技术。最后在实践环节，通过一个数据预处理应用案例演示了如何利用PCA进行降维分析。
第3章为简单分类算法，围绕分类算法的基础知识和应用展开，介绍了两种经典的分类算法——朴素贝叶斯分类算法和KNN分类算法。在实践环节，通过一个应用案例演示了如何使用KNN进行鸢尾花分类。
第4章为决策树，介绍了决策树的基础知识和相关算法，主要包括决策树的基本概念、决策指标、决策树剪枝和经典的决策树算法。在实践环节，介绍了如何使用scikitlearn实现决策树，并通过使用鸢尾花数据集做分类，演示了基于决策树的鸢尾花数据分类以及可视化结果的完整过程。
第5章为支持向量机，首先介绍了支持向量机的基本原理： 通过核方法，将数据映射到高维空间得到线性决策边界，再映射到低维空间得到非线性决策边界。该方法在解决非线性分类问题上有很好的效果。然后介绍了支持向量机常用的核函数。最后演示了基于SVM的异或数据集分类案例。
第6章为回归分析，介绍了几种常用的回归模型及其基本原理和评估方法，讲解了如何使用Python实现这些回归模型。最后，以基于随机森林的房价预测作为应用案例，展示了一个完整的回归分析过程。
第7章为聚类分析，介绍了聚类分析的基本概念，并详细介绍了3种不同的聚类算法及其应用案例，即Kmeans、层次聚类和DBSCAN应用案例。
第8章为神经网络与多层感知机，主要介绍了单层感知机、多层感知机和反向传播算法的基本概念和应用，并且详细介绍了基于多层感知机的手写数字识别应用案例。
第二部分为综合篇，包括第9~12章。
第9章为基于CNN的图像识别，围绕CNN的基础知识和应用展开，首先介绍了CNN的基本组成、基本运算和常用结构，然后在实践环节介绍了如何使用PyTorch搭建CNN网络模型，并通过一个应用案例——基于CNN的人脸性别识别，演示了基于CNN的图像识别的完整过程。
第10章为基于RNN的序列数据分类，首先讲解了RNN的发展和特点、序列数据的特点，并列举了4种与输入输出格式相关的RNN模型结构。接着使用PyTorch简单搭建了一个LSTM模型，并展示了通过该框架构建LSTM的模型结构以及隐含状态的输出。最后结合详细代码介绍了基于LSTM的文本分类。
第11章为基于GNN的文本分类，从GNN的基础概念出发，从原理上介绍了GNN的特点，描述了GCN的代码实现，最后以一个文本分类的TextGCN模型为例，演示GNN的具体使用方法。
第12章为基于GAN的图像生成，首先介绍了GAN的基本原理、模型结构、目标函数，以及GAN的训练流程。接着通过PyTorch搭建一个比较简单的GAN。最后通过使用FashionMNIST数据集实现GAN比较广泛的应用——GAN的图像生成。
第三部分为拓展篇，包括第13~15章。
第13章为基于百度飞桨的车道线检测，首先介绍了百度飞桨深度学习平台和AI Studio平台，然后介绍了如何在AI Studio平台创建项目，最后以车道线检测任务为应用案例。
第14章为基于旷视天元MegEngine的目标检测，首先介绍了旷视天元MegEngine平台，包括整体架构和平台特点，然后介绍了MegEngine平台使用方法，最后以MSCOCO目标检测任务为应用案例，展示基于MegEngine平台的模型构建、训练与测试的过程。
第15章为机器学习竞赛平台实践，介绍了国内外两项主流竞赛——Kaggle竞赛和天池大数据竞赛，并介绍了两项赛事中的经典赛题。
目录
第一部分基础篇
第1章机器学习基础
1.1机器学习概述
1.1.1机器学习任务
1.1.2重要概念
1.1.3性能评估
1.2编程语言与环境
1.2.1Python简介
1.2.2Python环境配置与安装
1.2.3Python机器学习编程库
1.2.4PyTorch框架
第2章数据预处理
2.1数据清洗
2.1.1缺失值处理
2.1.2离群值检测
2.2数据转换
2.2.1数字化
2.2.2离散化
2.2.3正规化
2.2.4数值转换
2.3数据压缩
2.3.1降维
2.3.2实例选择和采样
2.4应用案例： 基于PCA的数据降维
2.4.1数据集
2.4.2PCA降维
2.4.3案例结果及分析
第3章简单分类算法
3.1朴素贝叶斯分类算法
3.2KNN分类算法
3.2.1KNN算法实现原理
3.2.2KNN算法实现步骤
3.2.3KNN算法优缺点
3.3应用案例：KNN分类
3.3.1数据集
3.3.2构建KNN分类器
3.3.3案例结果及分析
第4章决策树
4.1决策树模型
4.2特征选择
4.2.1特征和数据划分
4.2.2划分标准
4.3决策树生成算法
4.3.1ID3决策树生成算法
4.3.2C4.5决策树生成算法
4.4CART算法
4.4.1决策树的剪枝
4.4.2CART生成算法
4.4.3CART剪枝算法
4.5应用案例： 基于决策树的鸢尾花图像分类
4.5.1数据集
4.5.2构建决策树
4.5.3案例结果及分析
第5章支持向量机
5.1支持向量机的基本原理
5.1.1线性可分
5.1.2最大间隔问题
5.1.3支持向量
5.2常用核函数
5.2.1线性核函数
5.2.2高斯核函数
5.2.3多项式核函数
5.3应用案例： 基于SVM的异或数据集划分
5.3.1数据集及数据预处理
5.3.2构建SVM分类器
5.3.3案例结果及分析
第6章回归分析
6.1线性回归
6.1.1简单线性回归
6.1.2多元线性回归
6.2多项式回归
6.3正则化回归
6.3.1岭回归
6.3.2最小绝对收缩与选择算子
6.3.3弹性网络
6.4随机森林回归
6.5回归模型的性能评估
6.6回归模型的实现
6.6.1线性回归实现
6.6.2多项式回归实现
6.6.3正则化回归实现
6.6.4随机森林回归实现
6.7应用案例： 基于随机森林的房价预测
6.7.1数据集
6.7.2数据预处理
6.7.3随机森林回归模型建立
6.7.4案例结果及分析
第7章聚类分析
7.1聚类概述
7.1.1性能度量
7.1.2距离计算
7.2Kmeans算法
7.3层次聚类
7.4密度聚类
7.4.1DBSCAN相关概念
7.4.2DBSCAN算法流程
7.5应用案例
7.5.1Kmeans应用案例
7.5.2层次聚类应用案例
7.5.3DBSCAN应用案例
第8章神经网络与多层感知机
8.1神经元模型
8.2感知机原理及结构
8.2.1单层感知机
8.2.2多层感知机
8.2.3反向传播算法
8.3应用案例： 基于多层感知机的手写数字识别
8.3.1数据集及数据预处理
8.3.2三层感知机构建
8.3.3案例结果及分析
第二部分综合篇
第9章基于CNN的图像识别
9.1CNN的基本组成
9.1.1卷积运算基本过程
9.1.2多通道卷积
9.1.3池化
9.2CNN模型简介
9.3基于PyTorch构建CNN
9.4应用案例： 基于CNN的人脸性别识别
9.4.1数据集
9.4.2数据预处理
9.4.3搭建卷积神经网络
9.4.4案例结果及分析
第10章基于RNN的序列数据分类
10.1面向序列数据的机器学习
10.1.1RNN相关背景知识
10.1.2序列数据
10.1.3序列数据与建模
10.2RNN的常用网络结构
10.2.1基本结构
10.2.2简单循环网络模型
10.2.3门控算法模型
10.3基于PyTorch构建LSTM
10.4应用案例： 基于LSTM的文本分类
10.4.1数据准备
10.4.2模型构建和实现
10.4.3训练模型
10.4.4测试模型
第11章基于GNN的文本分类
11.1GNN基础
11.1.1GNN模型简介
11.1.2GCN模型简介
11.2GCN构建
11.2.1代码层次结构
11.2.2代码实现
11.3应用案例： 基于GCN的文本分类
11.3.1TextGCN介绍
11.3.2基于TextGCN的文本分类
11.3.3案例结果及分析
第12章基于GAN的图像生成
12.1GAN概述
12.1.1自编码器
12.1.2生成模型
12.1.3GAN基本原理
12.1.4GAN模型结构
12.1.5GAN的两种目标函数
12.1.6GAN的训练
12.2基于PyTorch构建GAN
12.2.1网络结构
12.2.2基于PyTorch建立GAN模型
12.3应用案例： 基于GAN的图像生成
12.3.1FashionMNIST数据集
12.3.2数据预处理
12.3.3搭建GAN模型
12.3.4案例结果及分析
第三部分拓展篇
第13章基于百度飞桨的车道线检测
13.1百度飞桨平台简介
13.2百度AI Studio平台简介
13.3使用AI Studio平台创建第一个项目
13.4应用案例： 车道线检测
13.4.1车道线检测数据集
13.4.2评价指标
13.4.3数据预处理
13.4.4模型构建
13.4.5训练和预测
第14章基于旷视天元MegEngine的目标检测
14.1旷视天元MegEngine平台简介
14.1.1MegEngine整体架构
14.1.2旷视天元平台特点
14.2MegEngine平台使用方法
14.2.1注册
14.2.2创建项目
14.3应用案例： 基于MegEngine的目标检测
14.3.1MSCOCO数据集
14.3.2目标检测评估指标
14.3.3模型训练与测试
第15章机器学习竞赛平台实践
15.1主流竞赛平台
15.1.1Kaggle竞赛
15.1.2天池大数据竞赛
15.2Kaggle竞赛实践
15.2.1应用案例1： 泰坦尼克之灾
15.2.2应用案例2： 细粒度犬种识别
15.2.3应用案例3：Home Depot产品相关性预测
15.3天池大数据竞赛实践
15.3.1应用案例1： 街景字符编码识别
15.3.2应用案例2：NLP新闻文本分类
15.3.3应用案例3： 贷款违约预测
参考文献
(1) 以问题为导向，对基础理论与算法演练进行详细讲解。
(2) 实战案例丰富，涵盖15个完整项目案例。
(3) 代码详尽，避免对 API 的形式展示，规避重复代码。
(4) 语言简明易懂，由浅入深带领读者学会 Python 以及机器学习常见算法。
(5) 各算法相对独立，数学原理相对容易理解。
为便于教学，本书配有源代码、数据集、教学课件和教学大纲，在“书圈”公众号回复书号可下载。
本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，高等学校的在读学生，在互联网、IT相关领域从事机器学习、数据挖掘、计算机视觉、自然语言处理和人工智能相关任务的研发人员。
