前言

写作背景

我多年前参加了“百度深度学习公开课·杭州站”的活动，当时做了一个主题为“深度学习模型设计经验分享”的演讲，现场效果非常好，后来萌发了写机器学习算法的想法。于是我将一些工作内容进行沉淀总结，便形成了本书。

本书内容

本书主要对算法的原理进行了介绍，并融合大量的应用案例，详细介绍使用机器学习模型的一般方法，帮助读者理解算法原理，学会模型设计。

本书首先介绍数据理解、数据的处理与特征，帮助读者认识数据；然后从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用；接着根据项目研发的流程，详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速；最后通过多个应用案例帮助读者加强对前面知识点的理解。

读者对象

● 对数据分析、算法及机器学习领域感兴趣的开发者；

● 对人工智能产品、算法方案设计有不同层次需求的技术管理者；

● 软件工程或计算机相关专业的在校学生。

本书特色

本书紧密结合一线开发者的项目应用经验，对当前机器学习的各类算法原理进行了介绍，以方法论的形式连接原理和实践，指导读者设计机器学习模型。

本书结构

本书内容由浅入深，以宏观认识为基础，逐步深入算法体系、算法细节，全书共分为10章，具体内容如下。

第1章从宏观的角度介绍人工智能相关基础知识、机器学习的技术发展史，以及机器学习在计算机视觉、自然语言处理、语音识别等领域的发展历程，有助于读者了解宏观背景。

第2章重点介绍了数据的三个基本维度、统计推论的基本方法，以及数据分析中的一些关键技术点和可视化，帮助读者建立数据理解的思维。

第3章从数据处理与特征的角度重点介绍了数据的处理方法，以及数据的特征缩放和特征编码、图像的特征分析等，并对数据降维进行了深入介绍。

第4章重点对机器学习的理论基础进行介绍，并结合了应用辅助增强对机器学习理论基础的认识，包括机器学习的体系框架、一般学习规则等。

第5章重点介绍了模型选择和结构设计，对机器学习、深度学习中的经典模型进行了介绍，并详细介绍了模型的设计方向、设计技巧等。

第6章重点介绍了目标函数中的设计，包括各应用场景中常见的损失函数，以及设计的原则，并详细介绍了梯度下降法和牛顿法的目标求解过程。

第7章重点介绍了模型训练过程中的设计，包括数据选择、参数初始化、模型拟合状态、学习速率设定等，并结合迁移学习和分布式训练对模型训练的过程进行了介绍。

第8章从模型效果的角度分别对分类算法、聚类算法、回归算法等常见的效果评估指标进行了介绍，并通过交叉验证对模型效果进行评估，还从计算和数据的角度介绍了模型的稳定性。

第9章从算法应用落地的角度，重点介绍了计算性能和模型加速，包括计算平台的性能指标、模型的计算性能指标，以及模型的压缩与裁剪。

第10章通过数据准备、模型设计等关键环节，重点介绍了二元一次方程的数据拟合案例、鸢尾花的数据分类及聚类案例、形体识别的综合性案例。

由于时间仓促及水平有限，书中难免存在不足之处，恳请广大读者批评指正，可以通过邮箱（fanpingliu＠live.com）联系我，谢谢！

读者服务

扫码回复：39263

● 获取博文视点学院20元付费内容抵扣券

● 获取免费增值资源

● 加入读者交流群，与更多读者互动

● 获取精选书单推荐