本书从原理与应用两个角度，系统而深入地讲解主要的传统机器学习与深度学习算法。本书涵盖监督学习、无监督学习、半监督学习、强化学习4种类型的机器学习方法。具体内容包括回归分析、决策树、贝叶斯分类器、多层感知机、支持向量机、聚类、维数约减、深度卷积网络、生成对抗网络、对比学习、强化学习等内容。
本书需要读者具有数学（包括高等数学、线性代数、概率论与数理统计、优化方法等）与计算机程序设计（python）的基础知识。本书通过案例求解介绍机器学习相关方法的基本原理和具体实现过程，同时，也介绍学术界最新的研究成果，尤其是深度学习有关内容。

杜世强，理学博士，西北民族大学副教授，硕士研究生导师，国家自然基金面上项目函评专家，IEEE会员、中国计算机学会会员。曾于美国犹他州立大学和意大利摩德纳雷焦艾米利亚大学访学，研究方向为机器学习、图像处理与神经网络。在《基于知识系统》（Knowledge-Based Systems）、《吉林大学学报》等国内外学术期刊发表论文40余篇。主持国家自然科学基金项目、甘肃省自然科学基金项目、甘肃省高等学校科研项目等项目7项。

第1章 绪论
1.1 人工智能
1.2 机器学习
1.3 深度学习
1.4 Pytorch简介
第2章 回归分析
2.1 引言
2.2 回归分析
2.3 本章小结
2.4 习题
第3章 决策树
3.1 引言
3.2 案例
3.3 决策树
3.4 案例求解
3.5 本章小结
3.6 习题
第4章 贝叶斯分类器
4.1 引言
4.2 案例
4.3 理论介绍
4.4 案例求解
4.5 本章小结
4.6 习题
第5章 人工神经网络
5.1 引言
5.2 案例
5.3 多层感知机
5.4 案例求解
5.5 本章小结
5.6 习题
第6章 支持向量机
6.1 引言
6.2 支持向量机
6.3 案例求解
6.4 本章小结
6.5 习题
第7章 聚类
7.1 引言
7.2 聚类任务
7.3 性能度量
7.4 原型聚类
7.5 层次聚类
7.6 习题
第8章 降维
8.1 引言
8.2 案例
8.3 主成分分析
8.4 线性判别分析
8.5 案例求解
8.6 本章小结
8.7 习题
第9章 深度卷积网络
9.1 引言
9.2 案例
9.3 图像分类模型
9.4 案例求解
9.5 本章小结
9.6 习题
第10章 生成对抗网络
10.1 引言
10.2 生成对抗网络原理
10.3 损失函数
10.4 案例分析
10.5 本章小结
10.6 习题
第11章 对比学习
11.1 引言
11.2 问题
11.3 对比学习
11.4 案例求解
11.5 本章小结
11.6 习题
第12章 强化学习
12.1 引言
12.2 案例
12.3 强化学习
12.4 案例求解
12.5 本章小结
12.6 习题
参考答案
附录一 矩阵相关知识
附录二 概率论相关知识
参考文献