本书以任务为导向,讨论了机器学习和深度学习的主要问题,包括聚类、回归、分类、标注、降维、特征工程、超参数调优、序列决策(强化学习)和对抗攻击等。书中对上述每个问题,分别从决策函数类模型、概率类模型和神经网络类模型三个角度来讨论具体的实现算法。
本书在内容上兼顾基础知识和应用实践。总体上,以基本理论知识为主线,逐步展开,从概念入手,逐步讨论算法思想,着重考虑知识的关联性,最后落实到机器学习扩展库和深度学习框架的具体应用。具体到每个模型,采用以示例入手、逐渐深入的方式,尽量给出详尽的分析或推导。
本书的特点是主要通过示例来讨论相关模型,适合初学者入门使用。本书示例代码采用Python 3程序设计语言编写。传统机器学习算法的应用示例主要以ScikitLearn机器学习扩展库来实现,隐马尔可夫模型示例用hmmlearn扩展库来实现,条件随机场模型示例用CRF++工具来实现。深度学习算法的示例采用TensorFlow 2框架和MindSpore框架来实现。
本书适合计算机、人工智能及相关专业的学生使用,对于相关技术研究人员也有参考价值。