机器学习和深度学习是人工智能领域开展科学研究的核心前沿理论，本书以“理论算法”为基础核心，以“实践案例”为创新驱动，帮助读者在了解机器学习和深度学习发展前沿的基础上，掌握基本核心知识，深刻理解应用案例，加深实践开发要素理解，夯实人工智能领域核心理论算法。
全书共12章内容。第1章“绪论”，第2章“线性模型”，第3章“决策树”，第4章“贝叶斯分类器”，第5章“支持向量机”，第6章“聚类”，第7章“神经网络”，第8章“卷积神经网络”，第9章“循环神经网络”，第10章“生成对抗网络”，第11章“孪生神经网络”，第12章“图神经网络”。
本书内容翔实、逻辑严谨、易于学习，是作者结合多年教学科研经验，精心撰写的一本机器学习与深度学习的教科书，适合作为计算机类、自动化类、电子信息类等相关专业高年级本科生和研究生的“机器学习与深度学习”课程教材，也适合作为人工智能等相关领域科研人员的参考书籍。

第1章 绪论
1.1 人工智能
1.1.1 人工智能的发展历程
1.1.2 人工智能的三大研究学派
1.2 机器学习
1.2.1 机器学习的发展历程与研究现状
1.2.2 机器学习算法的分类
1.3 深度学习
1.4 评估理论
1.4.1 划分数据集
1.4.2 交叉验证
1.5 本书知识结构图
1.6 本章小结
习题
第2章 线性模型
2.1 线性模型的基本形式
2.2 线性回归模型
2.2.1 一元线性回
2.2.2 多元线性回
2.2.3 对数线性回
2.2.4 逻辑回归
2.3 损失函数
2.3.1 均方差损失函数
2.3.2 平均绝对误差损失函数
2.3.3 平滑平均绝对误差损失函数
2.3.4 交叉熵损失函数
2.4 线性模型应用案例
2.4.1 问题描述
2.4.2 问题分析
2.4.3 代码实现
2.4.4 结果分析
2.5 本章小结
习题
第3章 决策树
3.1 决策树模型与学习
3.1.1 决策树模型
3.1.2 if-then规则
3.1.3 决策树学习
3.2 特征选择
3.2.1 信息增益
3.2.2 增益率
3.2.3 基尼指数
3.3 剪枝处理
3.3.1 预剪枝
3.3.2 后剪枝
3.4 连续值与缺失值处理
3.4.1 连续值处理
3.4.2 缺失值处理
3.5 多变量决策树
3.6 决策树应用案例
3.6.1 问题描述
3.6.2 问题分析
3.6.3 代码实现
3.6.4 结果分析
3.7 本章小结
习题
第4章 贝叶斯分类器
4.1 贝叶斯方法
4.1.1 贝叶斯定理
……
第5章 支持向量机
第6章 聚类
第7章 神经网络
第8章 卷积神经网络
第9章 循环神经网络
第10章 生成对抗网络
第11章 孪生神经网络
第12章 图神经网络
参考文献