本书系统介绍数据科学核心理论与技术，融合了数学、统计学和计算机科学等多学科知识，旨在构建完整的数据科学知识体系。全书共 15 章，主要内容包括数据预处理、经典机器学习模型（回归、分类、聚类、集成）、关联规则挖掘、特征工程（降维与特征选择）、最大期望算法、概率图模型、深度学习、文本分析、图与网络分析以及分布式计算等核心模块。特别值得关注的是，本书对当前热点技术如Transformer、BERT、图神经网络等进行了讲解，并设有专门的文本分析和图与网络分析章节。此外，书中包含丰富的附录内容，涵盖了矩阵

本教材以培养传感器操作与调试岗位核心技能为目标，深度融入“1+X”证书、职业资格鉴定与技能大赛标准。教材采用“项目+任务”驱动模式，以企业真实检测任务为载体，以常见物理量为检测对象，系统讲解了从物理量检测方法、传感器原理到电路设计与调试的全流程，涵盖温度、压力、位移、环境量等项目，体系新颖，内容翔实；同时，配套微课、仿真、题库等多元数字资源，有效推动“课堂革命”，支持混合式教学；通过贯穿课程思政与能力模块，实现知识、能力与素养的有机统一。

本书全面系统地介绍机器学习的经典方法、前沿技术和应用实践。全书分为基础篇、进阶篇和实践篇，共10章，主要内容包括绪论、学习模式、判别式模型、生成式模型、高级机器学习概述、特征表示学习、新兴学习机制概述、主流机器学习编程框架、人脸识别、灾害性天气预报。 本书坚持理论联系实际，兼顾经典与前沿，为读者由浅入深地构建机器学习的知识体系。其中，理论部分均给出严谨的数学推导，实践部分则注重阐述实施路径和实现代码，以让读者更好地掌握机器学习的理论与应用技术。 本书可作为高等院校人工智能、计算机科学与技术、大数

1.注重理论结合应用。在深度学习、语义表示和基础算法模块的写作过程中，采用问题引导式方法引出算法和模型，尽量出现较少的数学公式推导，配套代码从头实现主要模型，确保代码的正确性和可复现性； 2.应用部分弱化理论。在实际应用模块，以实践和创新能力培养为主，采用案例为主的写作方式，让读者理解实际应用的代码实现过程，提高动手能力； 3.低资源语言部分注重语言特点与应用结合。不同语言有着各自的特点，本书以藏语为例，加入了低资源语言的信息处理研究实例，用实例说明低资源语言的研究特点。

本书从机器学习在数据处理的角度入手来介绍机器学习的常用算法，按照"背景引入－方法介绍－案例－拓展知识点及文献”的思路来组织内容。本书共14章，涵盖了机器学习的常用算法。对于书中的每种机器学习算法，本书均给出了基本定义、典型应用，可方便读者更加深入的理解每种机器学习算法。此外，本书还介绍了计算机视觉的应用为例，阐述了机器学习算法在图像特征提取和卷积神经网络中的应用。