本书面向初学者，比较全面的介绍了机器学习的基本方法，循序渐进的阐述了其中的数学原理，让读者能够知其然，然后知其所以然。书中结合应用场景，列举了大量编程实例帮助读者开展动手实践，理论与实践相辅相成，对算法原理产生更加直观和感性的认识。作者希望能够通过本书帮助读者揭开人工智能领域的神秘面纱，走进人工智能和机器学习的大门，了解其中的奥秘，甚至成为该领域的学习者、研究者和实践者。
从发明计算机的天起，人们就试图用计算机模拟自身智能。如今，计算机已经从只能完成四则运算的计算器，发展成为能胜任很多复杂任务的智能机器。在各种应用领域中，计算机已经成为人类大脑的延伸。人工智能的研究使计算机能够模拟人类思维的感知、学习、解决问题和推理决策的能力，与此同时，也帮助我们对自身智能有了更加深入的理解。
人工智能的研究者把人工智能分为强人工智能和弱人工智能两类。这种划分既是技术层面的，也是哲学层面的。如果机器表现出像人一样智能的行为，那么是否可以认为机器真的在像人一样思考呢？计算机科学和神经生物科学尚不能回答这个问题，哲学家也没有找到满意的答案。强人工智能的观点认为，人工智能应该像人一样具有自主的意识、情感和心智，能够理解和学习任何智能问题。弱人工智能的观点则仅关注机器在特定任务上所表现出的智能性，并不关心机器是否能真正像人一样自主思考。只要在特定领域能够帮助我们解决一些实际的智能问题，这样的机器都可以视作拥有弱人工智能。
强人工智能现在还是一种理论设想，它如同人一样具有高度的自主性，不仅可以解决不同类型的问题，甚至具有自主选择解决什么问题的能力。它有自己的意识和感情，但是它只存在于电影、小说等科学幻想作品中。
哲学家和科学家通过思想实验，对强人工智能的观点提出了各种怀疑，比如，中文屋子实验和换脑实验。
中文屋子实验设想有一个英语母语者，对中文一窍不通。他被关在一间屋子里，屋子里有一本英文写成的手册来说明中文的语法规则，另外还有一大堆中文符号。屋子外面的人从窗口传进用中文写成的问题，屋子里的人按照手册上的规则将中文符号组成答案传递出去。这个过程足以以假乱真，让屋子外面的人误以为屋子里的人懂得中文，然而事实上他压根不懂中文。强人工智能就如同屋子里的人，如果我们只能看到他表现出智能，如何知道他是否真的在思考呢？
换脑实验则更加科幻。假设我们的神经生理学和计算机硬件已经高度发达，完全了解大脑所有神经元的连接机制，并且能够用微电路模拟大脑神经网络的所有活动。设想我们把生物的大脑替换为电子的大脑，让电子的大脑接管一切输入的感官信号，并做出反应，输出对身体肌肉的控制信号。从外界看来，所有智能行为和活动跟换脑之前并无差异，那么现在电子大脑具有自我意识吗？或者意识还存在于那个生物大脑之中吗？生物大脑中的意识会不会试图呐喊我什么也看不到，却无法控制发声的肌肉呢？这个假想的实验有些骇人听闻，但是同样让我们怀疑外在表现出的智能是否等同于自主意识。
弱人工智能不再纠结于机器是否真的具有了自主意识，只关注表现出的智能。计算机科学家图灵提出了图灵测试，用来判断机器是否具有智能。测试者通过屏幕和键盘分别与一个真实的人和一台智能机器聊天，如果无法区分屏幕后面是人还是机器，那么就可以认为机器具有如同人一样的智能。相比图灵测试，弱人工智能的定义更加宽泛，它只要求机器能够处理具体领域的特定任务。
在现实生活中，弱人工智能的应用比比皆是。手机可以听懂我们的语音指令；摄像头可以辨别电脑的主人、进出停车场的车辆号牌；电子监控代替了交通警察，辅助查处违章的车辆；翻译软件帮助外国游客把路牌、标识、菜单等翻译成他们熟悉的语言；自动驾驶系统甚至在受限的环境中也可以自主控制车辆，从而解放驾驶员的双手。这些都是弱人工智能的应用。
弱人工智能关注于处理特定的任务，弱字用在这里并不完全合适，在限定领域或者特定任务中，弱人工智能其实并不弱，称作窄人工智能更为恰当。相比存在于科学幻想中的强人工智能，人们对应用于各种受限场景的弱人工智能有更加成熟的研究。虽然它不像人的智能一样具有理解、学习任何问题的能力，但是它通常可以在某个领域做得很好，甚至比人做得更好，毕竟机器更准确，更稳定，更迅速，而且不知疲倦。因此，弱人工智能得到了广泛的应用，成为人们生活和工作的得力助手。弱人工智能是我们向强人工智能发起探索的阶段性成果，人们不会放弃对更加通用智能的探索，会持续追寻理解和复现自身智能的梦想。只有逐步扩展弱人工智能的边界，连接和打通各种不同的任务和信息通道，才能帮助我们实现更加复杂和通用的智能。
在人工智能研究并不很长的历史上，研究者探索了很多种不同的方法和路径。比如，符号主义的研究者认为，智能可以通过如同数学推导一样的逻辑推演系统实现，各种知识可以用符号表示出来，组织成计算机能够处理的语言进行演算、分析和推理。再如，联结主义的研究者认为，智能存在于神经元的连接中，采用电子装置模拟生物大脑的神经元连接就可以实现智能。这些不同的学派在早期的人工智能研究中，在相当长的一段时间内占据了主导地位。而机器学习则是在这些研究的基础上，利用统计学的原理取得成功的一类算法和模型。机器学习侧重于从样本或者经验组成的数据中学习统计规律，通过自我修正的方式达到完成特定任务的目标。机器学习与一般计算机算法显著的区别在于，完成任务的步骤中有一些不确定的参数，人
序言
前言
部分
第 1 章 专家系统 2
1.1 早期的专家系统 2
1.2 正向推理 4
1.3 逆向推理 5
1.4 谓词逻辑 6
1.5 专家系统的贡献和困难 7
1.6 动手实践 9
1.6.1 简化的专家系统 10
1.6.2 正向推理 10
1.6.3 逆向推理 11
参考文献 13
第 2 章 决策树 14
2.1 分类问题 15
2.2 构造决策树 16
2.3 ID3 算法 17
2.4 信息熵 19
2.5 基尼不纯度 21
2.6 动手实践 22
2.6.1 计算信息熵 22
2.6.2 构造决策树 23
2.6.3 使用 scikit-learn软件包 27
参考文献 30
第 3 章 神经元和感知机 31
3.1 生物神经元 31
3.2 早期感知机模型 33
3.3 现代的模型 34
3.4 学习模型参数 36
3.4.1 梯度下降法 36
3.4.2 Delta 法则 37
3.5 动手实践 38
3.5.1 实现感知机模型 38
3.5.2 识别手写数字 43
参考文献 48
第 4 章 线性回归 49
4.1 线性回归概述 49
4.2 小二乘法 51
4.3 矩阵形式 52
4.4 一般性的回归问题 54
4.5 动手实践 54
4.5.1 实现一维线性回归 54
4.5.2 实现小二乘法 56
4.5.3 使用 numpy 软件包 59
第 5 章 逻辑斯蒂回归和分类器 64
5.1 分类问题 64
5.2 似然估计 66
5.3 交叉熵损失函数 67
5.4 多类别分类 68
5.4.1 多类别逻辑斯蒂回归 69
5.4.2 归一化指数函数 70
5.4.3 交叉熵误差和均方误差的比较 72
5.5 分类器的决策边界 73
5.6 支持向量机 75
5.6.1 支持向量 77
5.6.2 拉格朗日乘子法 78
5.6.3 非线性分类与核函数 80
5.7 动手实践 82
5.7.1 使用逻辑斯蒂回归 82
5.7.2 观察分类边界 83
5.7.3 使用支持向量机 85
参考文献 87
第二部分
第 6 章 人工神经网络 90
6.1 异或问题和多层感知机 90
6.2 反向传播算法 92
6.3 深度神经网络 94
6.3.1 生物神经机制的启示 94
6.3.2 解决深度神经网络面临的问题 95
6.4 卷积和池化 98
6.4.1 神经连接的局部性 98
6.4.2 平移不变性 99
6.4.3 卷积处理图像的效果 99
6.4.4 简单细胞和复杂细胞的仿生学 102
6.5 循环神经网络 103
6.6 使用 PyTorch 软件包 104
6.7 动手实践 106
6.7.1 识别手写数字 106
6.7.2 准备训练数据 109
6.7.3 训练神经网络模型 110
6.8 物
书单推荐
