机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书涵盖机器学习和深度学习的基础知识，主要包括机器学习基础、统计分析、分类、聚类、文本分析、神经网络、贝叶斯网络、支持向量机、分布式机器学习等经典的机器学习基础知识，还包括卷积神经网络、循环神经网络、目标检测、自编码器、生成对抗网络、注意力机制等深度学习的内容。此外，本书还介绍机器学习的热门应用领域推荐系统以及强化学习等主题。
本书内容全面、案例丰富、深入浅出，部分章节提供Python程序代码和习题，供读者巩固所学知识。另外，本书还为读者提供配套的微课视频。
本书不仅适合作为高等院校本科生及研究生的机器学习、深度学习和数据挖掘等课程的教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。

第1章 机器学习概述
1.1 机器学习简介
1.1.1 机器学习简史
1.1.2 机器学习主要流派
1.2 机器学习、人工智能和数据挖掘
1.2.1 什么是人工智能
1.2.2 什么是数据挖掘
1.2.3 机器学习、人工智能与数据挖掘的关系
1.3 典型机器学习应用领域
1.4 机器学习算法
1.5 机器学习的一般流程
习题
第2章 机器学习基本方法
2.1 统计分析
2.1.1 统计基础
2.1.2 常见概率分布
2.1.3 参数估计
2.1.4 假设检验
2.1.5 线性回归
2.1.6 逻辑回归
2.1.7 判别分析
2.1.8 非线性模型
2.2 高维数据降维
2.2.1 主成分分析
2.2.2 奇异值分解
2.2.3 线性判别分析
2.2.4 局部线性嵌入
2.2.5 拉普拉斯特征映射
2.3 特征工程
2.3.1 特征构造
2.3.2 特征选择
2.3.3 特征提取
2.4 模型训练
2.4.1 模型训练常见术语
2.4.2 训练数据收集
2.5 可视化分析
2.5.1 可视化分析的作用
2.5.2 可视化的基本流程
2.5.3 可视化分析方法
2.5.4 可视化分析常用工具
2.5.5 常见的可视化图表
2.5.6 可视化分析面临的挑战
习题
第3章 决策树与分类算法
3.1 决策树算法
3.1.1 分支处理
3.1.2 连续属性离散化
3.1.3 过拟合问题
3.1.4 分类效果评价
3.2 集成学习
3.2.1 装袋法
3.2.2 提升法
3.2.3 GBDT
3.2.4 XGBoost算法
3.2.5 随机森林
……
第4章 聚类分析
第5章 文本分析
第6章 神经网络
第7章 贝叶斯网络
第8章 支持向量机
第9章 分布式机器学习
第10章 深度学习基础
第11章 高级深度学习
第12章 推荐系统
第13章 强化学习