机器学习是人工智能的一个方向。它是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动，从现有大量的数据中学习，利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点；第2章搭建机器学习开发环境，主要包括anaconda\pycharm\python软件的安装及使用，以及常见机器学习库的介绍和安装使用方法；第3章介绍了监督学习的4个经典算法：线性回归、决策树、k近邻和支持向量机算法，其重点在算法的应用；第4章介绍了主成分分析降维算法、Kmeans聚类算法；第5章介绍人工神经网络基础，并通过房价预测和手写数字识别实例进行验证；第6章介绍强化学习的基本概念，有模型学习和无模型学习，最后介绍了Q-Learning算法和Sarsa算法。本书由人工智能技术专业教师和英特尔FPGA中国创新中心的工程师们合力编写，讲解了大量的具体程序案例，涵盖大部分机器学习算法，教师和学生可以根据应用需求，选择对应的知识点和算法。本书所有程序均已经在英特尔FPGA中国创新中心AILab实训平台上验证实现。本书可作为高职高专院校电子信息类相关专业教材，也可作为科技人员的参考用书。
徐宏英，女，工学硕士，重庆电子工程职业学院骨干教师，参研国家自然科学基金一项，参研省级重点科技攻关项目一项，主持省级教改课题一项，参研省部级项目8项，第一主编出版教材1部，发表论文10余篇，申请专利8项，指导学生参加全国大学生电子设计大赛获全国二等奖1项，指导学生参加职业技能竞赛获全国二等奖1项，省部级电子设计大赛、职业技能大赛10余项。
第1章 机器学习介绍001
1.1 机器学习简介002
1.1.1 机器学习的基本概念003
1.1.2 机器学习的发展历史005
1.2 机器学习的分类及典型算法010
1.2.1 机器学习的分类010
1.2.2 监督学习011
1.2.3 非监督学习014
1.2.4 半监督学习015
1.2.5 强化学习018
本章小结019
习题020
第2章 基于Python语言的机器学习环境搭建与配置023
2.1 机器学习相关软件介绍024
2.1.1 机器学习开发语言024
2.1.2 机器学习开发工具028
2.2 机器学习开发环境搭建036
2.2.1 Python的安装及使用036
2.2.2 Anaconda的安装及使用041
2.2.3 PyCharm的安装及使用052
2.3 常见机器学习库函数功能介绍059
2.3.1 基础科学计算库（NumPy）059
2.3.2 科学计算工具集（Scipy）068
2.3.3 数据分析库（Pandas）074
2.3.4 图形绘制库（Matplotlib）079
2.3.5 机器学习常用算法库（Scikit-learn）080
本章小结083
习题084
第3章 监督学习087
3.1 线性回归算法088
3.1.1 常用损失函数089
3.1.2 最小二乘法091
3.1.3 梯度下降法092
3.1.4 线性回归算法实例094
3.2 决策树算法098
3.2.1 分类准则099
3.2.2 ID3算法102
3.2.3 C4.5算法108
3.2.4 CART算法111
3.2.5 决策树算法实例113
3.3 k近邻算法116
3.3.1 k值的选取及特征归一化117
3.3.2 kd树120
3.3.3 k近邻算法实例128
3.4 支持向量机算法133
3.4.1 线性可分性133
3.4.2 对偶问题136
3.4.3 核函数139
3.4.4 软间隔142
3.4.5 支持向量机算法实例144
本章小结146
习题146
第4章 非监督学习149
4.1 非监督学习概述150
4.1.1 非监督学习的基本概念150
4.1.2 非监督学习的分类151
4.1.3 非监督学习的特点152
4.1.4 非监督学习的应用153
4.2 主成分分析降维算法154
4.2.1 数据降维介绍154
4.2.2 PCA算法介绍155
4.2.3 PCA算法求解步骤159
4.2.4 PCA算法实例161
4.3 K-means聚类算法163
4.3.1 聚类算法简介163
4.3.2 K-means算法介绍164
4.3.3 K-means算法求解步骤165
4.3.4 K-means算法实例170
本章小结172
习题173
第5章 人工神经网络175
5.1 人工神经网络概述176
5.1.1 人工神经网络的发展历程176
5.1.2 人工神经网络基础180
5.1.3 人工神经网络模型188
5.1.4 人工神经网络的应用191
5.2 房价预测实例193
5.2.1 房价预测模型构建193
5.2.2 房价预测网络构建198
5.3 手写数字识别实例199
5.3.1 手写数字识别简介199
5.3.2 手写数字识别网络构建201
本章小结203
习题203
第6章 强化学习205
6.1 强化学习概述206
6.1.1 强化学习的基本概念206
6.1.2 强化学习的发展历史208
6.1.3 强化学习的分类210
6.1.4 强化学习的特点及应用211
6.2 强化学习基础212
6.2.1 马尔可夫决策过程212
6.2.2 贪心算法213
6.3 有模型学习和无模型学习214
6.3.1 有模型学习214
6.3.2 无模型学习216
6.4 强化学习实例216
6.4.1 Q-Learning算法216
6.4.2 Sarsa算法232
本章小结242
习题243
书单推荐
