本书深入浅出地介绍了机器学习的基本原理与主要方法，以及必要的数学知识与程序设计方法。全书共有7章，分别讲解了机器学习的概念及应用、数学基础（导数与极值、向量与矩阵、概率统计、凸优化）、Python程序设计、线性回归及其程序实现、逻辑回归及多分类、分类与聚类、基于神经网络的机器学习。 本书可作为高等院校机器学习课程的教材，也可作为机器学习爱好者及从事相关工作的工程技术人员的参考书。

目 录
第1章 机器学习的概念及应用\t1
1.1 机器学习的发展与应用\t1
1.1.1 机器学习的发展历程\t1
1.1.2 机器学习的应用\t3
1.2 机器学习的概念\t4
1.2.1 机器学习的特点\t5
1.2.2 机器学习的要素\t6
1.2.3 机器学习系统的结构\t8
1.3 机器学习分类\t10
1.3.1 映射函数与样本\t10
1.3.2 监督学习\t11
1.3.3 无监督学习\t13
1.3.4 强化学习\t15
1.4 深度学习\t16
1.4.1 机器学习的困境\t16
1.4.2 深度学习机制\t17
习题1\t20
第2章 数学基础\t21
2.1 导数与极值\t21
2.1.1 导数及求导法则\t21
2.1.2 函数的单调性、凹凸性与极值\t22
2.1.3 偏导数与梯度\t24
2.1.4 多元函数的极值\t25
2.2 向量与矩阵\t27
2.2.1 矩阵及其性质\t27
2.2.2 矩阵的基本运算\t29
2.2.3 向量组与线性相关性\t31
2.2.4 正交向量与相似矩阵\t34
2.3 概率统计\t36
2.3.1 随机事件与概率\t36
2.3.2 条件概率与贝叶斯公式\t37
2.3.3 随机变量的概率分布\t39
2.3.4 随机变量的数字特征\t43
2.3.5 中心极限定理\t45
2.3.6 极大似然估计\t46
2.4 凸优化\t48
习题2\t52
第3章 Python程序设计\t56
3.1 Python程序的编辑与运行\t56
3.2 数据与表达式\t60
3.2.1 常量\t60
3.2.2 变量\t62
3.2.3 数据的输入输出\t63
3.2.4 常用函数\t65
3.2.5 运算符与表达式\t67
3.3 序列和字典\t69
3.3.1 字符串\t69
3.3.2 列表\t72
3.3.3 元组\t73
3.3.4 字典\t74
3.4 程序的控制结构\t76
3.4.1 分支语句\t76
3.4.2 while语句\t77
3.4.3 for语句\t78
3.4.4 用户自定义函数\t80
3.4.5 模块\t81
3.5 类和对象\t83
3.5.1 类的定义和使用\t83
3.5.2 面向对象程序设计方式\t86
3.5.3 类的继承性\t87
3.5.4 异常处理\t89
习题3\t91
第4章 线性回归及其程序实现\t96
4.1 线性回归的概念\t96
4.1.1 线性回归的源流\t96
4.1.2 监督学习与线性回归\t97
4.2 线性回归模型\t99
4.2.1 一元线性回归模型\t99
4.2.2 多元线性回归模型\t103
4.2.3 模型的泛化与优劣\t106
4.3 数据拟合与可视化操作\t108
4.3.1 NumPy多维数组操作\t108
4.3.2 Matplotlib数据可视化操作\t110
4.3.3 SciPy数据拟合操作\t114
4.4 最小二乘法线性回归程序\t118
4.4.1 最小二乘法与一元线性回归\t118
4.4.2 一元线性回归程序\t120
4.5 梯度下降法及其程序\t122
习题4\t125
第5章 逻辑回归及多分类\t127
5.1 逻辑回归的概念与模型\t127
5.1.1 Logistic函数\t127
5.1.2 线性分类问题\t129
5.1.3 逻辑回归模型\t131
5.2 逻辑回归计算\t134
5.2.1 逻辑回归模型的预测函数\t134
5.2.2 逻辑回归模型的极大似然估计\t135
5.2.3 逻辑回归模型的参数求解\t136
5.3 逻辑回归与朴素贝叶斯分类\t139
5.4 多分类策略\t143
5.5 Softmax回归\t145
5.5.1 广义线性模型\t145
5.5.2 Softmax回归模型\t148
习题5\t150
第6章 分类与聚类\t152
6.1 决策树\t152
6.1.1 决策树与决策过程\t152
6.1.2 信息熵与信息增益\t154
6.1.3 决策树的构造\t157
6.1.4 寻找最佳分裂\t162
6.1.5 决策树训练的主要问题及流程\t165
6.2 支持向量机\t167
6.2.1 支持向量机基本原理\t167
6.2.2 支持向量机实现鸢尾花分类\t171
6.3 聚类算法\t173
6.3.1 距离计算与聚类评价\t173
6.3.2 K-均值聚类算法\t175
习题6\t177
第7章 基于神经网络的机器学习\t179
7.1 神经网络与人工神经网络\t179
7.2 感知机\t182
7.2.1 人工神经元与感知机\t182
7.2.2 感知机训练算法\t185
7.2.3 感知机训练实例\t187
7.2.4 感知机训练与预测程序\t189
7.2.5 线性可分性与多层感知机\t190
7.3 BP算法\t193
7.3.1 多层神经网络的结构\t193
7.3.2 多层神经网络的参数调整\t194
7.3.3 BP算法及评价\t196
7.4 卷积的概念及运算\t198
7.4.1 卷积的概念\t199
7.4.2 二维互相关运算\t201
7.4.3 二维卷积运算程序\t204
7.5 卷积神经网络\t205
7.5.1 卷积神经网络的特点\t206
7.5.2 多通道卷积及常用卷积核\t209
7.5.3 卷积神经网络的结构\t213
7.6 卷积神经网络实例\t215
习题7\t218
附录A 机器学习名词中英文对照\t220
参考文献\t230