《机器学习原理及应用》从机器学习原理和应用出发，结合案例介绍了机器学习的基础技术和典型模型算法，包括机器学习的基础、特征选择与降维、典型学习算法、深度学习与神经网络、集成学习与迁移学习、强化学习、计算机视觉与语音识别等技术；详细介绍了机器学习典型模型算法及神经网络学习、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。
每个案例配有源码，每章配有习题，帮助读者进行深入学习。
《机器学习原理及应用》既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学习从业者的技术参考书。

1）理实融通，逐步详解在数据准备、特征提取、特征表示、算法解析、深度神经网络、集成迁移强化、视觉与语音方面的技术，以及机器学习库、框架技术及应用和开发步骤等内容。
2）实例丰富，帮助读者理解、掌握机器学习从初级技术到核心技术的应用开发任务
3）配有电子课件、所有项目源代码及数据等资源

近年来，在神经网络、大模型的引领下，机器学习技术迈入了新的发展阶段，已经成为推动芯片研发、无人驾驶、智能制造、医疗诊断、药物研发等应用快速发展的重要手段，以及人工智能、数据科学与大数据技术等新型专业的基础。由于机器学习涵盖领域众多，技术原理难点多、算法复杂，市面上关注机器学习领域全技术、全流程与实践融合的书籍较少，能帮助读者全面了解机器学习原理、最新前沿技术、易于动手实践的入门教材更少。针对此问题，《机器学习原理及应用》从机器学习的基本问题、处理流程、开发平台、学习框架等基础出发，通过案例实践全面深入详解了机器学习基础、特征选择与降维、典型学习算法、深度学习与神经网络、集成学习与迁移学习、强化学习、计算机视觉、语音识别、AI云开发平台等技术，并引入了大模型、端到端学习等案例实践，供读者深入学习。
《机器学习原理及应用》从机器学习原理基础讲起，理实融通，逐步详解在数据准备、特征提取、特征表示、算法解析、深度神经网络、集成迁移强化、视觉与语音方面的技术，以及机器学习库、框架技术及应用和开发步骤等内容。全书共9章，分为四部分，分别为：机器学习基础部分，包括机器学习基础、特征选择与降维、典型学习算法（第1～3章）；机器学习核心技术部分，包括深度学习与神经网络、集成学习与迁移学习、强化学习（第4～6章）；机器学习应用部分，包括计算机视觉技术、语音识别（第7、8章）；AI云开发平台（第9章）。
《机器学习原理及应用》作为面向高等院校人工智能、数据科学与大数据技术等专业的教材，涵盖了机器学习所涉及的主要技术。通过真实的项目案例，讲解机器学习的核心技术、应用知识体系，项目内容包括特征提取降维表示、典型算法学习预测、深度学习与神经网络综合应用、集成迁移欺诈检测、强化学习技术飞扬小鸟、深度视觉人脸表情识别、端到端中文语音识别，全面且实用，从机器学习初级基础到核心算法应用，涵盖了机器学习环境搭建、数据特征表示、模型设计、模型训练、模型预测应用的全流程操作，具有从理论到实践，再到应用的操作性，适合具有Python基础的机器学习入门读者学习。
书中所介绍的项目案例都已在Python环境、PyCharm、TensorFlow下调试运行通过。每章除了实践案例之外，还给出一个完整的综合案例，以帮助读者理解、掌握机器学习从初级技术到核心技术的应用开发任务。通过文本、图片、视频、语音等数据，进行多模态的机器学习全流程设计开发，读者能够跟随书中项目案例完成机器学习原理知识的全过程任务。作为教材，每章后附有习题。
《机器学习原理及应用》的编写、代码调试工作由毋建军、姜波、郭舒完成。感谢本书责任编辑解芳老师给予的支持和帮助。
由于时间仓促，书中难免存在不妥之处，请读者原谅，并提出宝贵意见。

编 者

毋建军，北京政法职业学院副教授、教研室主任；参与国家科技支撑计划项目、中国科学院战略性先导科技专项项目课题社会态势感知与处理、国家信息安全计划、863项目；主持4项院级科研项目，司法部精品课程等项目2项，市级科研项目3项，取得发明专利3项、软件著作权2项；主要承担移动应用开发技术、移动物联网应用开发、Android高级开发技术、Java Web框架开发、Java核心技术、大数据技术、Python程序设计等课程。

姜波，博士，中国科学院信息工程研究所副研究员、硕士生导师，中国科学院大学岗位教师，主持国家重点研发计划、国家自然科学基金、中国科学院战略性先导科技专项等多项国家级科研项目，在AAAI、WWW、SIGIR等国内外会议上发表论文40余篇，授权发明专利20余项，主编《Python数据分析、挖掘与可视化》等教材。

郭舒，博士，国家互联网应急中心高级工程师，主持国家自然科学基金等项目，在ACL、AAAI、SIGIR等国内外顶级会议上发表论文20余篇，受理发明专利10余项。

目 录
前言

第1章 机器学习基础 1
1.1 机器学习简介 1
1.2 机器学习任务 4
1.2.1 机器学习问题 4
1.2.2 机器学习典型任务 5
1.2.3 机器学习应用场景 7
1.3 搭建机器学习开发环境 7
1.3.1 开发环境系统要求 7
1.3.2 Windows10系统平台下搭建开发
环境 7
1.3.3 Linux系统平台下搭建开发环境 16
1.4 机器学习常用库概述 21
1.4.1 库简介 21
1.4.2 库安装及集成 22
1.5 机器学习框架概述 24
1.6 机器学习开源平台 25
1.7 小结 29
习题 29
参考文献 29
第2章 特征选择与降维 30
2.1 特征选择简介 30
2.2 特征选择方法 32
2.2.1 过滤式方法 32
2.2.2 包裹式方法 37
2.2.3 嵌入式方法 41
2.3 降维技术 46
2.4 主成分分析 56
2.5 综合案例：基于feature_selector
库的商业信贷特征选择 60
2.6 小结 64
习题 65
参考文献 65
第3章 典型学习算法 66
3.1 回归算法 66
3.1.1 回归简介 66
3.1.2 回归技术 67
3.1.3 常用回归算法 68
3.1.4 回归评价标准 74
3.1.5 案例：房屋价格回归分析 75
3.2 聚类算法 77
3.2.1 聚类简介 77
3.2.2 聚类技术 78
3.2.3 常用聚类算法 78
3.2.4 聚类评价标准 82
3.2.5 案例：用户社区聚类分析 83
3.3 分类算法 85
3.3.1 分类简介 86
3.3.2 分类技术 86
3.3.3 常用分类算法 86
3.3.4 分类评价标准 90
3.3.5 案例：新闻分类 92
3.4 支持向量机 95
3.4.1 支持向量机简介 95
3.4.2 间隔 96
3.4.3 核函数与方法 99
3.4.4 案例：垃圾邮件过滤 100
3.5 决策树 102
3.5.1 决策树简介 102
3.5.2 构造及基本流程 103
3.5.3 剪枝方法 105
3.5.4 案例：鸢尾花预测应用 106
3.6 综合案例：基于随机森林回归的
空气质量预测 107
3.7 小结 111
习题 111
参考文献 111
第4章 深度学习与神经网络 113
4.1 深度学习 113
4.1.1 深度学习简介 113
4.1.2 深度学习框架 115
4.2 神经网络 116
4.2.1 神经网络简介 116
4.2.2 前馈神经网络 119
4.2.3 图神经网络 121
4.2.4 图卷积神经网络 123
4.3 深度神经网络 126
4.3.1 深度神经网络简介 126
4.3.2 深度神经网络模型 128
4.3.3 案例：手写数字识别 129
4.4 卷积神经网络 133
4.4.1 卷积神经网络简介 133
4.4.2 典型卷积神经网络算法 135
4.4.3 案例：猫狗分类应用 143
4.5 循环神经网络 147
4.5.1 循环神经网络简介 147
4.5.2 典型循环神经网络算法 149
4.5.3 案例：文本分类 151
4.6 长短期记忆网络 155
4.6.1 长短期记忆网络简介 155
4.6.2 典型长短期记忆网络算法 156
4.6.3 案例：文本生成应用 158
4.7 综合案例 162
4.7.1 验证码识别 162
4.7.2 自动写诗机器人 170
4.8 小结 174
习题 175
参考文献 175
第5章 集成学习与迁移学习 178
5.1 集成学习 178
5.1.1 集成学习简介 178
5.1.2 集成学习算法 179
5.1.3 集成学习应用 181
5.2 迁移学习 182
5.2.1 迁移学习简介 182
5.2.2 迁移学习分类 183
5.2.3 迁移学习算法 184
5.2.4 迁移学习应用 187
5.3 综合案例：欺诈检测应用 188
5.4 小结 191
习题 192
参考文献 192
第6章 强化学习 194
6.1 强化学习简介 194
6.2 强化学习技术 196
6.2.1 有模型强化学习与无模型强化
学习 196
6.2.2 推荐系统 197
6.2.3 模仿学习 200
6.2.4 Q-learning算法 201
6.2.5 蒙特卡罗强化学习 202
6.2.6 时序差分强化学习 202
6.3 综合案例：飞扬小鸟游戏 203
6.4 小结 206
习题 207
参考文献 207
第7章 计算机视觉技术 209
7.1 计算机视觉简介 209
7.2 计算机视觉基础 211
7.2.1 图像表示 211
7.2.2 图像读取、存储 212
7.2.3 视频捕获及流保存 218
7.2.4 图像计算 220
7.2.5 图像二值化及平滑 221
7.2.6 图像变换及形态学操作 229
7.2.7 图像轮廓检测 237
7.3 计算机视觉开发平台 242
7.3.1 ARM嵌入式人工智能开发平台 242
7.3.2 嵌入式GPU人工智能开发平台 242
7.3.3 计算机视觉综合开发平台 243
7.4 典型算法 244
7.4.1 LeNet算法 244
7.4.2 MobileNets算法 249
7.4.3 目标检测算法 258
7.5 综合案例：基于深度神经网络的
人脸表情识别 264
7.6 小结 271
习题 272
参考文献 272
第8章 语音识别 274
8.1 语音识别技术简介 274
8.2 常用工具及平台 276
8.2.1 语音识别工具 276
8.2.2 语音识别平台 279
8.3 语音数据特征处理 283
8.4 典型算法 286
8.5 在线语音识别 292
8.5.1 音频流识别 293
8.5.2 文本转语音 294
8.5.3 视频字幕文本生成 295
8.6 综合案例：基于端到端的中文
语音识别 302
8.7 小结 306
习题 306
参考文献 306
第9章 AI云开发平台 308
9.1 AI云开发简介 308
9.2 云开发平台 311
9.2.1 百度云开发平台 312
9.2.2 阿里云开发平台 320
9.2.3 Face 云开发平台 324
9.2.4 科大讯飞云平台 329
9.3 综合案例 333
9.3.1 基于EasyDL的多物体识别 333
9.3.2 基于PaddlePaddle的CNN图像
识别 340
9.4 小结 350
习题 350
参考文献 351