电子工业出版社-网上书店

本书从机器学习在数据处理的角度入手来介绍机器学习的常用算法，按照"背景引入－方法介绍－案例－拓展知识点及文献”的思路来组织内容。本书共14章，涵盖了机器学习的常用算法。对于书中的每种机器学习算法，本书均给出了基本定义、典型应用，可方便读者更加深入的理解每种机器学习算法。此外，本书还介绍了计算机视觉的应用为例，阐述了机器学习算法在图像特征提取和卷积神经网络中的应用。

目  录
第1章  数据与机器学习	1
1.1  数据	1
1.1.1　数据的来源	1
1.1.2　数据的类型	3
1.2  机器学习的任务	4
1.3  机器学习的场景	4
1.4  数据预处理	5
1.4.1　归一化	6
1.4.2　标准化	8
1.4.3　缺失值填充	8
1.5  机器学习模型的评价指标	9
1.6  本书的主要内容框架	10
1.7  参考文献	10
1.8  习题	11
第2章  数据可视化	12
2.1  基本类型	13
2.1.1　饼状图	13
2.1.2　柱状图	14
2.1.3　南丁格尔玫瑰图	16
2.1.4　折线图	17
2.1.5　雷达图	18
2.1.6　平行坐标图	20
2.1.7　桑基图	22
2.1.8　弦图	23
2.1.9　散点图	25
2.2  基本构成元素和设计思路	26
2.3  参考文献	27
2.4  习题	28
第3章  图像特征提取	29
3.1  灰度图像	30
3.1.1　图像的数字表示	30
3.1.2　灰度图像的数字表示	31
3.2  LBP	33
3.3  颜色特征提取	36
3.3.1　RGB颜色模型	37
3.3.2　HSV颜色模型	37
3.4  HSV特征提取	39
3.5  拓展知识点	42
3.6  参考文献	43
3.7  习题	44


第4章  数据分类——KNN分类	45
4.1  分类	45
4.2  KNN分类	46
4.3  分类结果的评价指标	50
4.4  拓展知识点	51
4.5  参考文献	53
4.6  习题	53
第5章  K-means聚类	54
5.1  聚类问题的阐述	54
5.2  K-means算法的基本原理	55
5.2.1　数据样本之间的相似性度量	55
5.2.2　K-means算法的基本步骤	58
5.2.3　K-means算法的特点	63
5.3  聚类结果的评价指标	65
5.3.1　聚类算法常见的内部评价指标	66
5.3.2　聚类算法常见的外部评价指标	68
5.4  拓展知识点：K-means算法的应用	69
5.5  参考文献	69
5.6  习题	70
第6章  综合应用案例——人机交互的数据可视化	71
6.1  聚类与人机交互的数据可视化	71
6.2  K-means聚类的交互数据可视化设计要点	75
6.3  参考文献	75
6.4  习题	75
第7章  线性回归与正则化	76
7.1  线性回归的问题定义	76
7.2  线性回归的求解	78
7.2.1　损失函数	78
7.2.2　线性回归的解	80
7.3  正则化线性回归	83
7.3.1　正则化的作用	83
7.3.2　L2正则化——岭回归	84
7.3.3　L1正则化——Lasso回归	84
7.4  R2度量——衡量回归拟合效果的重要指标	85
7.4.1　R2度量的引出	85
7.4.2　线性回归中的R2度量	86
7.5  参考文献	87
7.6  习题	88
第8章  逻辑回归	89
8.1  逻辑回归模型	89
8.2  多分类的Softmax回归模型	96
8.3  参考文献	97
8.4  习题	98


第9章  线性降维——主成分分析	99
9.1  特征选择与特征提取	99
9.2  度量视角的PCA	101
9.3  信息视角的PCA	104
9.4  概率统计视角的PCA	104
9.5  参考文献	108
9.6  习题	109
第10章  非线性降维及其应用	110
10.1  局部线性嵌入	111
10.2  拉普拉斯特征映射	118
10.3  LE的相关应用	120
10.4  降维方法的思维拓展	120
10.5  参考文献	121
10.6  习题	121
第11章  核函数及其应用	122
11.1  线性可分与高维映射	122
11.2  核函数	124
11.3  核回归	126
11.4  核PCA	129
11.5  拓展知识点	132
11.6  参考文献	133
11.7  习题	133
第12章  神经网络基础	134
12.1  神经元模型	134
12.1.1　神经元	134
12.1.2　Rosenblatt感知机	139
12.1.3　异或问题	140
12.2  神经网络	143
12.2.1　递归神经网络	144
12.2.2　前馈神经网络	144
12.3  参考文献	153
12.4  习题	153
第13章  反向传播神经网络	155
13.1  梯度下降法	156
13.2  随机梯度下降法	159
13.3  反向传播	160
13.4  梯度消失	166
13.5  参考文献	167
13.6  习题	168
第14章  深度神经网络	169
14.1  “深度”的意义	169
14.2  卷积神经网络的基本操作	170
14.2.1　卷积	171
14.2.2　池化	172
14.2.3　激活	172
14.3  经典卷积神经网络	173
14.3.1　AlexNet	174
14.3.2　VGG	176
14.3.3　GoogLeNet	177
14.3.4　ResNet	177
14.3.5　SENet	178
14.4  参考文献	179
14.5  习题	179

前  言
目前，人工智能已经在诸多领域得到广泛应用。录音转文字及翻译、自动驾驶和人脸识别等技术已经普及应用。特别是近两年，在机器人领域，四足机器人已得到广泛应用，人形机器人的应用也进入关键时期。大语言模型的崛起使深度学习中的大模型得到广泛关注和迅速发展。值得注意的是，机器学习是很多人工智能应用的基础，我们也需要越来越多的交叉复合型人才支持新兴的AI for Science。在这个人工智能重大变革的时代，机器学习作为人工智能技术的重要组成部分，不仅是高校计算机、人工智能和相关专业的必修课程，也是生物、材料、化工及人文等多个领域迫切需要开设的基础性通识课程。
然而，目前的机器学习教材多适用于有一定数学基础和机器学习基础的学生，很难让读者从零开始学习机器学习。这使得很多学生和从业者难以迈入机器学习的大门。因此，编写一本通俗易懂的机器学习教材是很有必要的。不仅如此，机器学习算法还可以解决很多实际问题。另外，机器学习的很多方法对理解深度神经网络也有很大的帮助。
本书的主要目标是让对机器学习感兴趣的读者学会机器学习的一些基本方法并了解其部分分支。本书共分为14章。第1章介绍了数据与机器学习的基本学习策略，以及本书的主要内容框架。第2章介绍了数据分析的基本方法——数据可视化。第3章以图像为例介绍了图像特征提取。第4、5章分别介绍了机器学习的基础方法，即KNN分类和K-means聚类。第6章为本书部分章节知识的综合应用案例。第7、8章介绍了两种基本的回归方法。第9、10章介绍了两种常用的降维方法。第11章主要介绍了核函数的概念及其应用。第12至14章主要介绍了神经网络的概念、结构及深度神经网络的典型网络结构。本书的部分案例由王飞龙工程师编写，代码部分由闫刚同学编写。
我从2017年开始以实践班的形式开设机器学习的课程，当时正处于深度学习迅速发展的时期。由于机器学习算法分支众多，对数学的要求较高，因此很难系统性地将机器学习的知识传授给本科生，尤其是不同专业的本科生。在课程开始的前几年，我通过课上询问、课后调研，以及了解不同专业的本科生在学习本门课程时已经完成的前置课程学习等，逐渐梳理出了以本科生为主要教学对象的机器学习基本方法的教学脉络。通过几年的教学，我发现很多学生需要一本通俗易懂的机器学习教材，甚至希望能够通过教材自学一些基础的机器学习算法。我在教学实践中深刻体会到科研对教学质量的提升具有重要作用，很多方法需要教师自己很好地理解后通过恰当的例子和方式讲授才能让学生学会。同时，我也意识到让学生对授课内容产生共鸣是教学的理想状态，也会让自己的教学热情倍增。几年前，我突然萌生出编写一本机器学习教材的想法，希望让没有基础的学生也可以自学机器学习。这个想法很简单，也很朴素。于是我开始整理自己的手写讲义。当时，那些讲义有很多地方比较凌乱甚至过于简单。经过几轮上课和整理，讲义逐渐趋于完整，但其中仍有一些错误和不足之处。在与田宏峰编辑沟通后，我得到了鼓舞和支持。没想到写一本书比想象中要难很多，由于平时科研和各项工作较为繁忙，我只能利用零散时间不断完善书稿，甚至中途想过放弃，因此直至深度学习发展到了大模型时代，我的书稿才逐渐完成。
2023年5月，Gilbert Strang教授正式结束了他的教学生涯。他的著作《线性代数及其应用》是线性代数领域的优秀教材。我被偶然间看到的一句关于该教材的书评深深触动——它让我们爱上了线性代数。我和学生们开玩笑说，希望我的教材也能够让大家爱上机器学习。但无奈在书稿完成之际我发现自己的水平有限，以自己目前的水平难以实现这个愿望。在后续的教学中，我会继续努力提升自己的机器学习教学水平，争取在退休前实现这个愿望。
本书最终能够完成，需要感谢与我在实践班并肩奋斗的战友王飞龙工程师及闫刚同学，本书的完成离不开他们的共同努力。同时，李光省、徐璐豪、张绍杰、刘铠源、徐树良、张津榕、段海飞、温武军、谭辰威、刘昊、黄志雄、刘与乐和董竹奔等同学在材料整理中做了大量的工作并对本书初稿提出了宝贵的意见，赵佳峰、张恒硕和段航宇同学为第6章综合应用案例的编写提供了帮助，在此一并向他们表示感谢。
最后，特别感谢我的家人对我的支持和鼓励，没有他们在生活上提供帮助，我很难完成本书。
由于编者能力有限，书中难免存在不足和疏漏之处，还望读者包涵和指正。


刘胜蓝
2025年7月1日

本书配套资源下载

对不起，暂无音视频资源！