周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书是《机器学习公式详解》（俗称“南瓜书”）的第2版。相较于第1版，本书对“西瓜书”中除了公式以外的重、难点内容加以解析，以过来人视角给出学习建议，旨在对比较难理解的公式和重点内容扩充具体的例子说明，以及对跳步过大的公式补充具体的推导细节。
全书共16章，与“西瓜书”章节、公式对应，每个公式的推导和解释都以本科数学视角进行讲解，希望能够帮助读者快速掌握各个机器学习算法背后的数学原理。
本书思路清晰，视角独特，结构合理，可作为高等院校计算机及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

谢文睿，北京工业大学硕士，开源组织Datawhale核心成员兼开源项目负责人，主要研究方向为机器学习与自然语言处理。

第1章 绪论
1.1 引言
1.2 基本术语
1.3 假设空间
1.4 归纳偏好
1.4.1 式（1.1）和式（1.2）的解释
第2章 模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.2.1 算法参数（超参数）与模型参数
2.2.2 验证集
2.3 性能度量
2.3.1 式（2.2）～式（2.7）的解释
2.3.2 式（2.8）和式（2.9）的解释
2.3.3 图2.3的解释
2.3.4 式（2.10）的推导
2.3.5 式（2.11）的解释
2.3.6 式（2.12）～式（2.17）的解释
2.3.7 式（2.18）和式（2.19）的解释
2.3.8 式（2.20）的推导
2.3.9 式（2.21）和式（2.22）的推导
2.3.10 式（2.23）的解释
2.3.11 式（2.24）的解释
2.3.12 式（2.25）的解释
2.4 比较检验
2.4.1 式（2.26）的解释
2.4.2 式（2.27）的推导
2.5 偏差与方差
2.5.1 式（2.37）～式（2.42）的推导
参考文献
第3章 线性模型
3.1 基本形式
3.2 线性回归
3.2.1 属性数值化
3.2.2 式（3.4）的解释
3.2.3 式（3.5）的推导
3.2.4 式（3.6）的推导
3.2.5 式（3.7）的推导
3.2.6 式（3.9）的推导
3.2.7 式（3.10）的推导
3.2.8 式（3.11）的推导
3.3 对率回归
3.3.1 式（3.27）的推导
3.3.2 梯度下降法
……
第4章 决策树
第5章 神经网络
第6章 支持向量机
第7章 贝叶斯分类器
第8章 集成学习
第9章 聚类
第10章 降维与度量学习
第11章 特征选择与稀疏学习
第12章 计算学习理论
第13章 半监督学习
第14章 概率图模型
第15章 规则学习
第16章 强化学习