本书以通俗易懂的风格介绍了机器学习和深度学习技术，只涉及了基本的数学知识。本书由两位机器学习和深度学习领域的专家编写，书中的案例涵盖了银行、保险、电子商务、零售和医疗等多个行业。本书讲述如何在当今的智能设备和应用程序中使用机器学习和深度学习技术。本书提供了对书中涉及的数据集、代码和示例项目的下载。 l 机器学习和深度学习的概念 l 随机森林和提升方法 l Python编程与统计学基础 l 人工神经网络 l 回归与逻辑回归 l TensorFlow与Keras l 决策树 l 深度学习超参数 l 模型选择与交叉验证 l 卷积神经网络(CNN) l 聚类分析 l 循环神经网络(RNN)和长短期记忆网络(LSTM)

"Venkata Reddy Konasani 是一位数据科学领域的培训讲师。他拥有10年的数据分析和数据科学方面的经验，并且有6年培训讲师经验。他擅长构建信用风险模型，擅长营销分析及社交媒体分析。目前，Venkata为Oracle、IBM、CTS及美国银行等公司定期举办数据科学方面的培训。他组织了逾100次关于机器学习和深度学习主题的企业培训。Venkata是Statifer.com(数据科学在线学习公司)的联合创始人。他毕业于孟买印度理工学院，获得应用统计和信息学硕士学位，目前居住在印度的维杰亚瓦达。Shailendra Kadre在印度的班加罗尔从事管理和信息技术顾问工作。他拥有在多个领域逾20年的工作经验，包括数字转型、机器学习、预售、信息技术项目和产品领域。他在这些领域出色地担任了许多关键的领导角色。他曾就职于多家全球性的一流公司，如惠普有限公司、塔塔咨询服务公司和马衡达信息技术有限公司等。Shailendra是 Going Corporate: A Geek’s Guide 一书的作者，也是Practical Business Analytics Using SAS: A Hands-on Guide一书的合著者。他毕业于德里印度理工学院，获得设计工程专业硕士学位。他与妻子Meenakshi、女儿Neha和儿子Vivek在班加罗尔生活。"

前 言 目前，市面上有关机器学习的图书主要包括两类，分别是面向学术研究的介绍机器学习理论方面的图书和代码手册类的图书。面向学术研究的机器学习理论的图书介绍了在机器学习算法中涉及的数学推导与公式，但对数据的实际应用涉及得很少。对于没有良好的统计或数学方面理论基础的读者来说，很难理解该类图书的内容。这些涉及机器学习原理的图书介绍了数据科学从业人员所面临的现实挑战，却极少谈到机器学习方面的实践。代码手册类图书主要包含代码和相关文档，缺少编码的原因和执行具体任务的逻辑方面的内容。机器学习的学术研究和它如何在工业界使用之间是有一段距离的。因此，我们需要一本书能以机器学习理论为基础并包含与其相关的在工业界的实践，而且在这些实际案例中有符合逻辑的讲解。本书的宗旨是弥补上述两类图书的空白(学术研究与工业界应用之间的空白)。 我们准备写一本让普通读者容易读懂的书。任何初学机器学习的读者都可以从本书开始学习。本书每章的内容分为三部分，第一部分通过类比、实例及可视化的方式来介绍该章涉及的内容，第二部分利用数学公式以一种学术风格来帮助加深理解，第三部分结合数据介绍真实的案例并通过编写代码来解决问题，从而更深入地理解相关概念。 本书以通俗易懂的方式编写，向普通读者解释机器学习与深度学习的概念。作为本书的作者，我们保证无论你是否有学术和编码的背景，都能从第1章学习到最后一章。有时读者可能会觉得解释这些概念用了太多的示例。这是因为本书严格遵循了Python的规则，即： ● 明了胜于晦涩 ● 简洁胜于复杂 ● 复杂胜于凌乱 ● 间隔胜于紧凑 本书的主要内容 (1) P...