我写的一本针对大学生入门机器学习的教材《机器学习入门基础》即将上市，希望能给初学者雪中送炭。
黄海广
动机
作为计算机方向的博士，本人一直热衷于帮助机器学习初学者入门方面的工作，主持和参与了很多国内外优秀作品的翻译、代码复现工作，比较有代表性的是吴恩达老师的机器学习课程的翻译工作，以及机器学习和深度学习笔记的撰写，帮助了很多初学者。
博士毕业后，我成为一名大学教师，同时承担了本科生和研究生的机器学习课程的教学工作。在教学过程中，我学习和借鉴了国内外很多非常优秀的机器学习课程或作品(如吴恩达老师的机器学习课程、李航老师的统计学习方法、周志华老师的机器学习等)，经典是只能学习，不能超越。
站在巨人的肩膀上，本人决定写一本适合本科生和初学者的机器学习入门书，以方便只有本科三年级数学水平的学生入门。
这本书已经完成部分印刷，将在清华大学出版社出版。
本书正文244页，此外还包含代码、课件、视频、教学大纲、教学进度。不仅适合初学者学习，也适合新手老师授课。
内容简介
这本书的初稿于2021年3月完成，并根据初稿的内容进行授课，经过三轮授课，我们团队对其中的部分内容进行了调整，更适合初学者学习，同时，根据本书的内容，制作了慕课，并通过中国大学慕课向读者开放，累计学习者超过2万人，属于比较热门的课程。
这本书的课件和代码，已经在Github进行分享，原版课件分享给了国内1400多位大学教师，也收到了很多宝贵的意见。
在本书中，我们主要讲解经典的机器学习算法，如线性回归、逻辑回归、决策树等，也将讲解近几年才出现的如XGBoost、LightGBM等集成学习算法，每章都有代码，以及20题以上的练习题。此外，这本书还会讲解利用机器学习解决问题的实用技术，还包括Python、Scikit-learn工具的使用等等。
本书定位为入门基础课，通过这本书，学习者将初步理解主流的机器学习算法，并且可以用机器学习技术解决现实生活中的问题。
本书对初学者来说，属于“雪中送炭”，而不是“锦上添花”，更适合初学者学习，主要解决初学者的三个问题：
（1）资料太多，难以取舍。
（2）理论性强，初学比较困难。
（3）代码资料比较少。
只要有本科三年级以上的数学知识，会一种编程语言，就可以掌握这本书的绝大部分内容。
本书共有15章，本书结构大体分为：监督学习、无监督学习两个部分。监督学习介绍了多种常见的机器学习算法，如KNN、线性回归、SVM、神经网络、朴素贝叶斯、逻辑回归、集成学习等分类算法和回归算法。无监督学习则聚焦于聚类、降维、关联规则等几大问题，并对K-means、PCA等代表算法进行了介绍，此外，还对关联规则的主要算法进行讲解。此外，本书的第2章为选修内容，附上了所需的数学知识回顾供同学们参考。
本书可以作为专科生、本科生、研究生的教材，作为本科生的教材时，第2章数学基础回顾和第11章人工神经网络可以作为选修部分，建议课时：理论课32课时，实验课16~32课时；作为专科生的教材时，建议配合代码进行课程讲解，增加实验部分课时，减少理论部分课时，建议课时：理论课32课时，实验课32课时；作为研究生的教材时，建议课时为36课时，实验部分建议自学。
相关资源
这本书的视频内容已经在中国大学慕课进行授课，目前是第四轮了。慕课地址：
https://www.icourse163.org/course/WZU-1464096179
课程资源（pdf版本课件和代码）公布在Github：
https://github.com/fengdu78/WZU-machine-learning-course
本书的课件和教案，可以分享给在职的教师，请用edu邮箱联系我：haiguang2000@wzu.edu.cn
在本书的编写过程中，得到了很多人的支持和帮助，如李航老师和徐亦达老师，对我的工作十分支持，在此表示感谢！
本人水平有限，如有公式、算法错误，欢迎各位读者指正批评。
机器学习交流微信群请扫码：
