本书是一本面向普通高等院校本科学生、以知识能力培养为目标的机器学习课程教材。为了让尽可能多的读者通过学习本书掌握机器学习的原理和方法，编者将罗列模型公式的传统讲授方式转换为“问题（动机）-猜想-实验-验证”的教学模式。本书共11章，第1～2章介绍机器学习基础知识；第3～9章介绍经典且常用的机器学习方法；第10～11章介绍神经网络及深度神经网络相关内容。本书给出相关习题，有的习题作用是帮助读者巩固知识，有的习题作用是引导读者扩展相关知识。读者在学习过程中可以配合使用这些习题，以提升运用知识的能力。
本书适合作为人工智能及相关专业的教材，也适合作为具有类似背景、对机器学习感兴趣的人员的参考书。根据本书的内容结构和各自教学学时的实际情况，对于本科生可考虑一学期讲授前9～10章，研究生课程则建议使用全书。此外，本书配有教学课件、教学大纲、教学视频，供相关专业人员使用。

第1章 机器学习引论
1.1 什么是人工智能
1.1.1 人工智能发展历程
1.1.2 机器学习的定义
1.2 机器学习的工作原理
1.2.1 机器学习的分类
1.2.2 机器学习专门研究算法
1.3 如何学习机器学习
1.3.1 数学基础
1.3.2 编程能力与实践
1.4 本章小结
1.5 本章习题
第2章 概率密度估计
2.1 频率学派与贝叶斯学派
2.1.1 频率学派
2.1.2 贝叶斯学派
2.2 最大似然估计和最大后验估计
2.2.1 日最大似然估计
2.2.2 最大后验估计
2.3 特殊先验分布下的最大后验估计
2.3.1 高斯分布先验
2.3.2 拉普拉斯分布先验
2.4 本章小结
2.5 本章习题
第3章 感知机
3.1 感知机模型
3.1.1 感知机参数的含义
3.1.2 感知机的损失函数
3.2 感知机的学习算法
3.2.1 感知机学习算法的原始问题
3.2.2 机器学习算法的般编程模式
3.3 感知机的改进
3.3.1 数据的归一化
3.3.2 感知机学习算法的对偶问题
3.4 分类性能评价
3.5 本章小结
3.6 本章习题
第4章 Logistic回归
4.1 Logistic回归的参数估计
4.1.1 Sigmoid函数的物理含义
4.1.2 Logistic回归模型
4.1.3 Logistic回归参数的最大似然估计
4.1.4 Logistic回归的最大后验估计
4.2 多类分类和数据不均衡问题
4.2.1 归一化指数函数
4.2.2 数据不均衡分类问题
4.3 分类性能评价
4.3.1 精度-召回率曲线和平均精度
4.3.2 接受者操作特征曲线和曲线下面积
4.4 本章小结
4.5 本章习题
第5章 5.1线性可分支持向量机
5.1.1 从感知机到支持向量机
5.1.2 样本到分类超平面的距离
5.1.3 基于最大间隔的目标函数
5.1.4 支持向量与间隔最大化
5.1.5 线性支持向量机的对偶算法
5.1.6 稀疏的支持向量
5.2 线性不可分支持向量机
5.2.1 软间隔与错分样本
5.2.2 线性不可分支持向量机的对偶算法
5.3 非线性支持向量机
5.3.1 线性可分支持向量机的非线性化
5.3.2 核技巧与计算复杂度
5.4 支持向量机的优化求解
5.4.1 非线性支持向量机与序列最小化优化算法
5.4.2 线性支持向量机与始估计次梯度算法
5.5 支持向量回归
5.6 本章小结
5.7 本章习题
第6章 决策树
6.1 决策过程与决策树
6.2 建立决策树的基本原则
6.2.1 “纯度”与特征选择
6.2.2 信息增益
6.3 决策树生成算法
6.3.1 ID3算法
6.3.2 C4.5算法
6.4 决策树的剪枝
6.4.1 预剪枝
6.4.2 后剪枝之悲观剪枝
6.4.3 后剪枝之代价复杂度剪枝
6.5 分类回归树
6.6 本章小结
6.7 本章习题
第7章 集成学习
7.1 集成学习的原理
7.2 学习器的优劣与泛化误差
7.2.1 泛化误差的偏差-方差分解
7.2.2 偏差和方差的关系
7.2.3 偏差和方差的表现
7.2.4 偏差-方差与过拟合和欠拟合
7.3 bagging算法
7.3.1 bagging的偏差
7.3.2 bagging的方差
7.3.3 bagging算法的原理和过程
7.3.4 随机森林算法
7.4 boosting算法
7.4.1 boosting算法的方差和偏差
7.4.2 boosting算法的一般
7.4.3 自适应提升算法
7.4.4 函数空间中的梯度下降方法
7.4.5 梯度提升树算法
7.5 本章小结
7.6 本章习题
第8章 聚类分析
8.1 什么是无监督学习
8.2 K均值聚类算法
8.2.1 K均值聚类模型
8.2.2 K均值聚类模型优化
8.2.3 K均值聚类模型的数据预处理
8.2.4 K均值聚类算法初始化
8.2.5 K值大小的确定方法
8.3 基于高斯混合模型的聚类
8.3.1 高斯混合模型
8.3.2 利用梯度下降优化高斯混合模型
8.4 期望最大化算法
8.4.1 高斯混合模型的期望最大化算法
8.4.2 期望最大化算法的一般形式
8.5 极小化极大算法
8.5.1 极小化极大算法的原理
8.5.2 高斯混合模型的极小化极大算法
8.6 噪声下基于密度的空间聚类算法
8.7 本章小结
8.8 本章习题
第9章 降维分析
9.1 主成分分析
9.1.1 主成分分析目标函数的简化
9.1.2 主成分分析目标函数的优化
9.1.3 主成分分析数据的预处理
9.2 语义表示模型
9.2.1 一词一义与词频-逆词频表示
9.2.2 隐语义模型
9.2.3 概率隐语义模型
9.3 非负矩阵分解
9.3.1 非负矩阵分解的乘法更新法则
9.3.2 非负矩阵分解的梯度投影
9.4 本章小结
9.5 本章习题
第10章 神经网络基础
10.1 神经元模型
10.2 多层前馈神经网络
10.2.1 多层前馈神经网络的结构
10.2.2 多层神经网络的前向传播
10.3 神经网络的反向传播算法
10.