系统阐述机器学习的基本理论、算法和实现。
每章配有基于Python的实验，方便读者编程实现。
书后附有丰富的彩色插图，引导读者对理论的理解。
配套提供电子课件、微课视频、习题答案、教学大纲、源代码、试卷。

本书系统阐述了机器学习的基本理论、算法和实现。全书共11章：第1章着重介绍了机器学习的基本知识；第2章介绍了样本数据预处理和提取的传统算法（如PCA和LDA），并增加了流形学习和稀疏表征等理论；第3~8章系统介绍了传统机器学习算法，如监督学习（贝叶斯、近邻、线性模型、非线性模型和集成学习）和非监督学习（聚类）；第9、10章分别介绍了概率图模型和人工神经网络的基本理论；第11章着重讲述了强化学习的基本理论和算法。
本书针对理论难点，插入了可视化图，引导读者对理论的理解；每章配有习题，以便指导读者深入地进行学习。每章还配有基于Python的实验，便于工程类读者快速将理论转化为实践应用，也方便学术型读者编程实现。
本书既可作为高等院校本科和研究生人工智能、控制工程、信息处理和智能制造等相关专业的课程教材，也可作为信息系统开发和大数据分析人员的技术参考书。

前言
第1章基本知识
11什么是机器学习
111属性
112标注
12机器学习的分类
121监督与无监督学习
122分类与回归
13模型评估
131分类模型评估
132回归模型评估
14优化
141损失函数
142目标函数
143最小二乘法
144梯度下降法
145梯度修正
146学习率调整
15小结与拓展
实验一：模型评价函数编程实验
习题
参考文献
第2章表征学习
21表征学习的目的
22数据预处理
23主成分分析
231目标函数
232基于主成分分析表征学习模型
233人脸PCA表征学习
24线性鉴别分析
241类内散布矩阵和类间散布矩阵
242类可判别性测度
243LDA原理
244人脸的LDA表征学习
25多维缩放
26流形学习
261流形
262等度量映射
263局部线性嵌入
27随机近邻嵌入
271基本随机近邻嵌入
272t分布随机近邻嵌入
28稀疏表征
281压缩感知
282重构算法
283字典学习
284压缩感知在人脸识别中的应用
29小结与拓展
实验二：表征学习实验
习题
参考文献
第3章贝叶斯分类器
31贝叶斯基本概念
32贝叶斯决策准则
33高斯混合模型
34未知概率密度函数估计
341极大似然估计
342极大后验概率估计
343期望极大算法
35朴素贝叶斯
36拉普拉斯平滑
37小结与拓展
实验三：贝叶斯分类器实验
习题
第4章近邻分类器
41近邻规则
42加权近邻分类器
43近邻分类器加速策略
431移除消极样本
432构建搜索树
433部分维度距离计算
44小结与拓展
实验四：近邻分类器实验
习题
参考文献
第5章线性模型
51二类线性模型
52Lasso回归
521Lasso回归求解
522坐标轴下降法
53逻辑回归
54支持向量机
541线性可分支持向量机
542近似线性可分支持向量机
55多类线性模型
551基本策略
552Softmax回归
56类不平衡问题
561阈值移动
562数据再平衡
57小结与拓展
实验五：线性模型实验
习题
参考文献
第6章非线性模型
61二次判别分析
62核方法
621希尔伯特空间
622核函数
623常用核函数
624核函数的应用
63小结与拓展
实验六：非线性模型实验
习题
参考文献
第7章集成学习
71集成学习理论依据
72集成学习机制
73决策树
731什么是决策树
732ID3和C45
733分类回归树
734剪枝
74随机森林
75自适应助推
751学习过程
752基本原理
76小结与拓展
实验七：集成学习实验
习题
参考文献
第8章聚类
81聚类基本理论
811聚类的性质
812相似性测度
813类簇中心
814聚类算法评价指标
82K均值聚类
83层次聚类
831凝聚筑巢
832平衡迭代削减层次聚类
84密度聚类
841DBSCAN
842高斯混合聚类
85小结与拓展
实验八：聚类实验
习题
参考文献
第9章概率图模型
91联合概率
92概率有向图模型
921基本概念
922有向分离
923贝叶斯网络
924隐马尔可夫模型
93概率无向图模型
931条件独立性
932团和势函数
933条件随机场
934马尔可夫随机场在图像处理中的应用
935条件随机场在自然语言处理中的应用
94因子图与和积算法
941因子图
942置信传播
95小结与拓展
实验九：概率图模型实验
习题
参考文献
第10章人工神经网络
101神经元及其基本模型
102激活函数
1021饱和激活函数
1022校正线性单元
1023swish激活函数
1024其他激活函数
103感知机
1031参数学习
1032感知机的异或难题
104前馈神经网络
1041前馈神经网络模型
1042三层前向神经网络实现异或门
1043反向传播算法
105卷积神经网络
1051互相关和卷积
1052卷积神经网络架构
1053卷积神经网络残差反向传播
106简单卷积神经网络
1061LeNet-5
1062AlexNet
1063VGGNet
1064Inception
1065ResNet
107小结与拓展
实验十：人工神经网络实验
习题
参考文献
第11章强化学习
111强化学习概述
1111基本概念
1112策略评估和策略控制
1113强化学习分类
112表格强化学习
1121蒙特卡洛
1122动态规划
1123时序差分学习
113深度强化学习
1131深度Q网络(DQN)
1132Dueling 网络
114小结与拓展
实验十一：强化学习实验
习题
参考文献