本书是一本面向多领域读者的基础通识教材,旨在以通俗易懂的方式揭开机器学习的神秘面纱，帮助读者理解机器学习算法本质，并具备实际应用能力。本书以“从生活到算法”为核心理念，引导读者轻松跨越理论与实践的鸿沟，兼顾学术性与实用性：一方面，以人类解决问题的思路理解算法逻辑,降低算法理解门槛；另一方面，提供丰富的实践案例与配套代码，培养读者的工程化思维。 本书系统讲解了机器学习的基础知识体系与实践框架，共8章。首先介绍机器学习的基本概念、发展历程及分类(监督学习、无监督学习等),接着深入讲解相似度计算、模型性能评估、数据收集、特征工程等核心环节，并针对常见算法（如线性回归、决策树、支持向量机、集成学习等），结合生活化案例剖析其设计思想与实现逻辑。最后，本书专设Python编程基础与经典算法实践章节,通过完整案例演示数据准备、模型训练到评估优化的全过程，并辅以代码示例与单元测试指导,助力读者提升机器学习算法的代码实践能力。 本书适合作为普通高等院校人工智能相关专业本科生、研究生的教材，也可供相关技术人员阅读参考。

在这个快速发展的时代，人工智能已经成为了人们生活、工作和学习的重要组成部分，其重要分支与基础支撑技术———机器学习，凭借卓越的数据处理与分析能力,为各行各业带来前所未有的机遇和变革。
笔者通过长期教学实践发现，学生普遍认为机器学习深奥难懂,因而产生畏难情绪，有一些本科生乃至硕士研究生虽能应用算法却难以深入理解其本质。本书旨在改变这一现状，通过系统性引导来助力学习者突破认知瓶颈。
机器学习算法的思想源于人类智慧,每一种算法都受到生活的启发,映射着现实问题的解决逻辑。基于此，本书从人类解决问题的思路入手，以图文并茂、通俗易懂的方式逐步引导读者掌握各种机器学习算法思想，为读者提供一份系统而全面的机器学习指南，让读者发现身边的机器学习算法，将人工智能的学习变成一件轻松愉快而高效的事情。本书配有完整的实践案例和代码，帮助读者掌握模型构建，并将抽象理论与实际应用场景深度融合，使学习机器学习算法成为兼具效率与深度的探索过程。
作为机器学习的基础通识教材，本书面向多学科背景的读者群体，无论是零基础入门者还是具备一定经验的研究者，通过学习本书都将开启人工智能学习的大门。
全书包含以下内容：绪论（第1章）系统阐述机器学习的基本概念、技术框架与发展脉络，解析监督学习、无监督学习、半监督学习及强化学习的核心范式。相似度计算（第2章）是衡量不同对象之间相似程度的重要工具，介绍了各种相似度计算方法，包括距离测度、相似测度和匹配测度，为数据分析、推荐系统等提供了理论支持。性能度量（第3章）深入探讨分类任务中的准确率、精确率、召回率、F值及 ROC曲线，回归任务中的MAE、MSE、RMSE与R2指标，结合实例阐明模型评估方法论。数据收集（第4章）解析数据采集策略，重点阐释数据清洗、缺失值处理、归一化等预处理方法，通过行业案例展示高质量数据构建路径。特征工程（第5章）从特征构建、变换到选择，逐层剖析提升模型性能的关键技术，结合实战案例揭示特征优化的核心逻辑。机器学习算法思想（第6章）以线性回归、决策树、支持向量机、k近邻等经典算法为主线,通过生活化的案例阐释算法本质。Python基础（第7章）系统介绍numpy、pandas、matplotlib等工具库的应用规范,强调代码质量与测试方法，夯实算法实践基础。经典机器学习算法实践（第8章）以线性回归、神经网络等典型场景为例，完整演示从数据准备、模型训练到效果评估的全流程，通过项目级案例深化技术应用能力。
本书由夏家莉、白耀辉、卢思洋任主编，研究生许睿、宋文琴、王昊、易开楠、黄凯越、胡雪辉、韩宁宁、徐靖尧、林在超、李昊然、范嘉豪、李斌等参与书稿录入、案例设计和代码验证。所有内容经夏家莉统稿，确保知识体系的严谨性与实践指导价值。
人工智能技术正经历跨越式发展，对机器学习的认知亦需持续迭代，本书立足教学实践经验编写而成，力求为人工智能人才培养提供可靠的知识载体。书中不足之处谨请读者和同行专家不吝指正，我们将虚心接受、认真对待，并在后期的版本中修正。
愿每一位探索者在此书中获得启发，于机器学习的领域中找到属于自己的光辉道路,共同见证这一伟大技术的蓬勃发展。
编 者
2025年3月

第1章绪论1.1机器学习的定义1.2机器学习的历史背景1.3机器学习的基本概念1.4机器学习的工作流程1.5机器学习的工具和框架1.6机器学习的挑战和未来发展第2章相似度计算2.1距离测度2.2相似测度2.3匹配测度第3章性能度量3.1分类的性能度量3.2回归的性能度量第4章数据收集4.1数据收集常见方法4.2数据采集质量分析4.3数据分布4.4训练集和测试集的拆分第5章特征工程5.1特征工程的任务5.2数据预处理5.3特征选择5.4特征降维第6章机器学习算法思想6.1机器学习算法分类及常见机器学习算法6.2聚类分析6.3回归分析算法6.4决策树学习6.5支持向量机6.6贝叶斯学习6.7k近邻学习6.8集成学习6.9其他机器学习算法第7章Python基础7.1系统安装7.2Python简介7.3numpy简介7.4pandas简介7.5数据分析与可视化第8章经典机器学习算

夏家莉，博士，教授，江西财经大学软件与物联网工程学院，博士生导师。本硕博均毕业于华中科技大学计算机学院。主讲数据结构、数据库原理、软件工程、需求工程、自然语言处理技术、人工智能等。获江西省教学成果一等奖，教育部科技进步奖。主持过国家自然基金项目、江西省自然基金项目、江西省社会科学基金项目的研发，主持过基于自然语言分析的“财政大数据分析平台”研发、基于嵌入式技术的“移动教学学习及管理系统”研发等。在计算机学报、软件学报、计算机研究与发展等学术期刊上发表系列学术论文。 白耀辉，博士，副教授，江西财经大学软件与物联网工程学院院长。2005年西北工业大学博士毕业后进入江西财经大学工作。近年来参与完成国家级课题2项，主持完成教育部课题一项，参与及完成省部级课题近10项，在国内外学术刊物或者重要会议上发表研究论文近20篇，曾获江西省高校科技成果奖一等奖，江西省教育科学优秀成果奖三等奖等。 卢思洋，博士，副教授，北京交通大学计算机学院。研究方向为计算机技术、人工智能、软件工程、大数据技术与工程、新一代电子信息。主持和参与科研项目10项，承担本科生专业核心课程“计算机组成原理”教学工作，参与讲授

（1）编写语言浅显易懂，逐步引导读者掌握各种机器学习算法思想，将人工智能的学习变成一件轻松愉快且高效的事情。
（2）提供完整的实践案例和Python代码，帮助读者全面掌握机器学习的精髓，并具备独立构建和应用机器学习模型的能力。