本书从传统机器学习，如线性回归、逻辑回归、朴素贝叶斯、支持向量机、集成学习，到最前沿的深度学习神经网络，如DNN、CNN、BERT、ResNet等，对人工智能技术进行零基础讲解，涵盖数学原理、公式推导、图表展示、企业应用案例。

本书面向初中级读者，能帮助读者迅速掌握机器学习技术的相关概念及原理。本书内容结合作者多年的科研工作经验，理论和实践并重，对科研、学习、面试等均有帮助。

机器学习是人工智能领域中最活跃的分支之一，作为多学科交叉的重要工具，为计算机领域解决实际学习问题提供了理论支撑与应用算法。近年来，机器学习在互联网企业更是崭露头角，包括计算机视觉，自然语言处理，推荐系统，搜索系统等，这些应用积累了大量数据和丰富场景，促进了包括机器学习在内的诸学科的发展与繁荣。与此同时，它的巨大发展，也让我们切实领略到人工智能给人类生活带来各种改变的潜力。

这是一本涵盖机器学习现有重要领域和关键算法的读物，主要面向人工智能、机器学习、模式识别、数据挖掘、计算机应用、数学和统计学等领域的研究生和相关领域的科技人员。它向我们介绍经典机器学习、深度学习等常见模型，涉及领域包括了图像处理、自然语言处理、推荐系统等。

不同于理论性机器学习读物，本书作者摒弃了复杂繁琐的数学公式和理论推导，转以采用对各类知识点汲取“产品实例”和绘制图表等方式进行讲解。书中同时蕴含作者对机器学习理论以及各类模型内在关系的理解与思考，并通过细致地对比说明，透彻地论述每个概念间的传承与发展，使读者可以快速地领略机器学习的精髓，并具备自学能力。

本书作者勤于思考，工作专注，在工业界多年积累了机器学习的实战经验，为成书积累了丰富的灵感。难能可贵的是书中大量示例均源于作者亲身参与的项目，对读者具有借鉴意义。这是本书的亮点之一。特此推荐。  

中国科学院院士 樊文飞

第1章　数据的量化和特征提取

1.1　机器学习概述

1.2　特征提取

1.3　向量距离计算

第2章　线性回归

2.1　线性回归的基本概念

2.2　损失函数和梯度下降法

2.3　训练集和测试集

2.4　多项式回归

2.5　线性回归的高级技巧

第3章　逻辑回归

3.1　逻辑回归的基本原理

3.2　交叉熵与KL距离

3.3　线性不可分及其解决方案

3.4　L1正则和L2正则

3.5　分类模型的评价标准

3.6　逻辑回归的特征提升技巧

3.7　深入理解损失函数和逻辑函数

第4章　因子分解模型

4.1　基本原理和特征交叉

4.2　因子分解模型和矩阵分解

第5章　经典分类模型

5.1　支持向量机

5.2　核方法

5.3　朴素贝叶斯

5.4　维数灾难

5.5　奥卡姆剃刀定律的应用

5.6　经验风险、期望风险和结构风险

第6章　无监督学习

6.1　K-Means聚类

6.2　主题模型

第7章　集成学习

7.1　决策树

7.2　随机森林

7.3　GBDT

第8章　深度神经网络

8.1　神经网络的基本原理

8.2　多分类与Softmax函数

8.3　梯度下降法和链式法则

8.4　度量学习

第9章　神经网络调优

9.1　激活函数选型

9.2　权重初始化

9.3　改进型梯度下降法

9.4　过拟合解决方案

第10章　自然语言处理

10.1　自然语言处理模型

10.2　one-hot编码和embedding技术

10.3　哈夫曼树和负采样

10.4　Word2vec的应用

10.5　fastText模型的原理及应用

第11章　卷积神经网络

11.1　卷积层和池化层

11.2　卷积神经网络在图像处理中的应用

11.3　卷积神经网络中的批标准化

11.4　TextCNN的原理及应用

第12章　深入卷积层

12.1　1×1卷积核

12.2　小卷积核

12.3　宽度卷积和Inception

12.4　Depthwise卷积和Pointwise卷积

12.5　特征通道加权卷积

第13章　循环神经网络和LSTM模型

13.1　循环神经网络模型详解

13.2　LSTM模型详解

13.3　LSTM模型的改进和应用

13.4　CTC算法

第14章　Attention模型和Transformer模型

14.1　Attention模型详解

14.2　Transformer模型原理

14.3　BERT模型及应用