內容簡介

近年來機器學習是一個熱門的技術方向，但機器學習本身并不是一門新興學科，而是多門成熟學科（微積分、統計學與概率論、線性代數等）的集合。其知識體系結構龐大而復雜，為了使讀者朋友能夠把握機器學習的清晰的脈絡，本書盡可能從整體上對機器學習的知識架構進行整理，并以Sklearn和Keras等機器學習框架對涉及的相關理論概念進行代碼實現，使理論與實踐相結合。

本書分為4個部分：第1章至第3章主要介紹機器學習的概念、開發環境的搭建及模型開發的基本流程等；第4章至第7章涵蓋回歸、分類、聚類、降維的實現原理，以及機器學習框架Sklearn的具體實現與應用；第8章至第12章主要闡述深度學習，如卷積神經網絡、生成性對抗網絡、循環神經網絡的實現原理，以及深度學習框架Keras的具體實現與應用；第13章簡單介紹機器學習崗位的入職技巧。

本書可作為機器學習入門者、對機器學習感興趣的群體和相關崗位求職者的參考用書。