"机器学习是人工智能时代的核心技术之一。本书从概率视角出发，系统讲解常见机器学习模型的理论基础与实现方法，通过清晰的数学推导和简洁高效的代码示例，帮助读者循序渐进地理解机器学习的原理和方法，培养理论推理能力与实践动手能力。

全书共16章，涵盖有监督学习、无监督学习、概率图模型、深度学习四大核心主题，详细地介绍了线性回归、逻辑回归、支持向量机、K近邻、决策树、朴素贝叶斯、K-Means 聚类、高斯混合模型、主成分分析、奇异值分解、贝叶斯学习、概率图模型、隐马尔可夫模型、马尔可夫随机场、条件随机场、人工神经网络、卷积神经网络、循环神经网络等经典模型，并辅以详尽的数学推导与代码实现。

本书贯彻“代码驱动”的教学理念，以丰富的实例深入解析复杂的机器学习原理，通过案例实践强化读者的工程实践能力。本书适合作为人工智能、智能科学与技术、计算机等相关专业的高年级本科生和研究生教材，也可供机器学习工程师、数据科学家及行业从业者参考学习。

"