本书介绍机器学习开发方法，工具及应用相关知识，全书由6章组成，第1章主要介绍机器学习的基本概念、分类等;第2 章主要介绍机器学习开发架构、开发步骤;第 3 章 ～第5 章主要介绍机器学习的开发工具，包括 Python、NumPy、 Pandas、Scikit-learn、TensorFlow;第6章主要介绍机器学习相关的 10 个实验，包括线性回归、决策树、人工神经网络、卷积神经网络等。 本书适合作为高等院校人工智能专业，计算机专业，智能机器人专业，智能芯片专业及其他智能相关专业课程教材，也可作为人工智能应用、开发人员的参考用书。
①实用性∶本书涉及机器学习的核心实用技术，如 Python、Scikit-learn、NumPy、 Pandas 、TensorFlow 等，可使读者通过本书的学习掌握机器学习实用技术。
②操作性∶本书主要讲解如何利用机器学习开发工具进行实际开发，培养读者的动手能力，内容具备可操作性。③趣味性∶本书包含的所有实验均具有实际的应用背景，可引起读者对应用的兴趣，提高读者的学习积极性。
近些年人工智能发展火热，已经渗透到各行各业，正在改变着人们的工作和生活方式，同时被认为将促进整个社会的发展。机器学习是一种从数据当中发现复杂规律，并且利用规律对未来时刻、未知状况进行预测和判定的方法。机器学习被认为是当前有可能实现人工智能的方法，大数据＋机器学习使得机器学习算法从数据中发现的规律越来越普适。
从广义上讲，机器学习是种能够赋予机器学习能力，使其实现直接编程无法实现的功能的方法。从实践的意义上讲，机器学习是一种通过利用数据训练出模型，然后使用模型预测的方法。
机器学习是现阶段解决众多人工智能问题的主流方法，作为一个独立的方向，正处于高速发展中。早的机器学习算法可以追溯到20 世纪初，至今已经发展了100多年。经过一代又一代人的努力，机器学习诞生出了大量经典的方法。
与当前市场上更多关注理论性介绍的机器学习教材不同，本书以机器学习的开发为特色，注重实践应用，包括开发方法、开发工具、开发应用等内容。本书中包含的所有实验，均以南京飞灵智能科技有限公司开发的机器学习平台为支撑进行开发。
本书特色
①实用性∶本书涉及机器学习的核心实用技术，如 Python、Scikit-learn、NumPy、 Pandas 、TensorFlow 等，可使读者通过本书的学习掌握机器学习实用技术。
②操作性∶本书主要讲解如何利用机器学习开发工具进行实际开发，培养读者的动手能力，内容具备可操作性。
③趣味性∶本书包含的所有实验均具有实际的应用背景，可引起读者对应用的兴趣，提高读者的学习积极性。
本书内容
本书内容共由6章组成。
第1章为机器学习基础介绍，主要介绍了机器学习的基本概念、分类、内容，同时介绍了机器学习的评价指标，可让读者对机器学习有宏观的了解。
第2章为机器学习开发方法，包括机器学习开发架构与机器学习开发步骤两部分内容，重点让读者了解如何在机器学习理论算法的基础上与计算机相结合。进行模型开发。
第3章为 Python 基础及机器学习软件包，介绍了Python 的基础知识，并介绍了常用的机器学习软件包，如 NumPy、Pandas、Matplotlib，为机器学习的开发打下坚掌基础。
潘志松：陆军工程大学指挥控制工程学院，教授，博士生导师。2011年在美国亚利桑那州立大Biodesign研究院工作一年。主要研究方向为模式识别与机器学习、智能技术的网络安全应用。主持国家自然科学基金、江苏省基金、科技部重点研发计划、军委科技委基础加强和前沿创新项目、军口863项目、十二五十三五军队预先研究项目、军队重点型号研制项目等数十项，在国内外期刊和国际会议上发表论文五十余篇，也是多个国内外期刊会议的审稿人，30余篇被SCI检索。现任江苏省模式识别与人工智能专委会的常务委员，2012年入选江苏省333工程第三层次人才，2017年获江苏省六大人才高峰资助，荣立三等功1次，获军队科技进步奖一等奖1项，二等奖1项，三等奖8项。
第1章机器学习基础介绍1
1.1 机器学习简介1
1.2 机器学习的作用5
1.3 机器学习的分类10
1.4 机器学习的内容11
1.5 深度学习的内容19
1.6 机器学习的评价指标24
习题1… 27
第2章 机器学习开发方法28
2.1 机器学习开发架构28
2.2 机器学习开发步骤30
习题2 … 40
第3章Python 基础及机器学习软件包41
3.1 Python 简介41
3.2 基本数据类型和运算42
3.3 容器45
3.4 分支和循环52
3.5 函数和类54
3.6 文件操作58
3.7 错误与异常63
3.8 Python 库引用67
3.9 NumPy简介69
3.10 Pandas简介76
3.11 Matplotlib 简介84
习题3 92
第4章 机器学习工具Scikit-learn等相关工具包93
4.1 线性回归算法及 应用93
4.3 支持向量机算法及应用
4.4 朴素贝叶斯算法及应用113
4.5 聚类算法及应用
4.6 神经网络算法及应用133
4.7 Apriori 关联学习
书单推荐
