機器學習理論與實踐

本書用通俗易懂的語言介紹了淺層機器學習、深度學習的主要模型原理及實現程序，以及編寫機器學習程序所需要的編程語言背景與數據處理方法等。主要內容包括淺層監督學習模型，如線性模型、決策樹模型、貝葉斯模型、支持向量機模型、K-近鄰模型、人工神經網絡模型、集成學習模型；淺層無監督學習模型，如Kmeans聚類方法、DBSCAN聚類方法；深度學習模型，如自動編碼器，卷積神經網絡；編程語言基礎，包括python基本語法，numpy庫、pandas庫、matplotlib庫，os模塊等；數據預處理方法，如圖像處理方法（線性增強、空間域濾波、頻率域濾波）、數據規範化方法（min-max數據規範化方法、z-score數據規範化方法）、類別編碼方法（one-hot編碼）、數據降維方法（主成分分析）；機器視覺領域常見的特征提取方法等。 本書可作為高等院校相關專業的學生作為教材，還可作為對機器學習感興趣的讀者作為參考書。