当前位置：

近年来，随着硬件基础以及算法能力的显著提高，机器学习技术得到了学术界和工业界的广泛关注，其中的许多算法已经大量应用于我们的日常生活中。机器学习作为一门多领域的交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。对于许多机器学习的爱好者和初学者来说，会被复杂的公式和晦涩难懂的术语吓到。此外，面对大量的机器学习算法，在解决实际问题时，即使是经验丰富的数据科学家和机器学习算法开发者也都不能一步到位，因此机器学习的初学者更加需要一些指导，为算法的选择提供一些参考意见。因此，编者认为需要一本面向在校生和初级从业人员的专业教材，便于读者更好地理解和应用各种算法。

编者结合多年的教学和实践经验，通篇图文并茂，带你从理论到实践领略机器学习算法的魅力，浅显易懂又不缺乏专业的指导。本教材一共有八个任务，具体内容如下：

任务一：线性回归，主要介绍一元及多元线性回归的基本概念，线性回归分析的实施过程。

任务二：逻辑斯特回归，主要介绍逻辑斯特回归的基本概念、基本特征，与线性回归之间的区别与联系。

任务三：朴素贝叶斯分类，主要介绍贝叶斯定理，朴素贝叶斯的朴素是什么，如何应用朴素贝叶斯分类器进行分类预测。

任务四：决策树分类，主要介绍决策树分类的基本概念，分类方法，如何应用决策树分类模型进行预测。

任务五：随机森林，主要介绍集成学习的基本概念，集成学习中随机森林相比于决策树分类的优势在哪里，如何应用随机森林模型进行预测。

任务六：支持向量机，主要介绍支持向量机的基本概念，SVM的原理以及建模方法；

任务七：KNN分类，主要介绍KNN分类的思想，与其他分类方法的异同点，并应用KNN模型进行预测。

任务八：K均值聚类，主要介绍聚类分析的适用场景，K均值聚类分析的基本思想和工作原理，并应用K均值聚类完成相应分析。

本教材基于Python语言介绍并实践了回归、分类、聚类三大类分析方法，项目丰富、适用性强，可作为高等院校数据科学、信息类专业的教材。