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
6.7 k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
7.2 Python简介
7.3 numpy简介
7.4 pandas简介
7.5 数据分析与可视化
第8章 经典机器学习算法实践
8.1 实验准备
8.2 线性回归算法
8.3 逻辑回归算法
8.4 决策树算法
8.5 支持向量机算法
8.6 k近邻算法
8.7 K-means算法
8.8 朴素贝叶斯

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，参与讲授研究生专业课程“网络空间安全前沿”教学工作。发表期刊论文20余篇，专利3项，涉及领域包括大模型安全、模式识别与日志异常检测、古籍智能信息处理、移动应用交互设计等。

（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。