机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识，主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识，也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外，还介绍了机器学习的热门应用领域技术，并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富，每章后都有习题和参考文献，便于巩固学习，适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。

目录

第1章机器学习绪论
1.1机器学习简介 /
1.1.1机器学习简史 /
1.1.2机器学习主要流派 /
1.2人工智能与机器学习的关系 /
1.2.1什么是人工智能 /
1.2.2机器学习、人工智能的关系 /
1.3典型机器学习应用领域 /
1.4机器学习算法 /
1.4.1线性回归 /
1.4.2逻辑回归 /
1.4.3决策树 /
1.4.4支持向量机 /
1.4.5线性支持向量机 /
1.4.6非线性支持向量机 /
1.4.7随机森林 /
1.4.8k-均值算法 /
1.4.9PCA算法 /
1.4.10关联规则学习算法 /
1.5机器学习的一般流程 /
习题 /

第2章数据降维与特征工程
2.1数据降维的基本概念 /
2.1.1数据降维的目的 /
2.1.2数据降维的一般原理 /
2.1.3数据降维的本质 /
2.1.4特征工程的基本概念 /
2.1.5特征工程的目标 /
2.1.6特征工程的本质 /
2.1.7特征工程的特征选取方法 /
2.1.8特征工程的基本原理 /
2.2高维数据降维 /
2.2.1主成分分析 /
2.2.2奇异值分解 /
2.2.3线性判别分析 /
2.2.4局部线性嵌入 /
2.2.5拉普拉斯特征映射 /
2.3特征工程分析 /
2.3.1特征构造 /
2.3.2特征选择 /
2.3.3特征提取 /
2.4模型训练 /
2.4.1模型训练常见术语 /
2.4.2训练数据收集 /
2.5数据降维与特征工程实践 /
2.5.1数据降维应用场景 /
2.5.2数据降维常用工具 /
2.5.3特征工程的应用场景 /
2.5.4特征工程的应用工具 /
2.5.5数据降维面临的挑战 /
2.5.6特征工程面临的挑战 /
习题 /

第3章决策树与分类算法
3.1决策树算法 /
3.1.1分支处理 /
3.1.2连续属性离散化 /
3.1.3过拟合问题 /
3.1.4分类效果评价 /
3.2集成学习 /
3.2.1装袋法 /
3.2.2提升法 /
3.2.3梯度提升决策树 /
3.2.4XGBoost算法 /
3.2.5随机森林 /
3.3决策树应用 /
习题 /

第4章聚类分析
4.1聚类分析概念 /
4.1.1聚类方法分类 /
4.1.2良好聚类算法的特征 /
4.2聚类分析的度量 /
4.2.1外部指标 /
4.2.2内部指标 /
4.3基于划分的聚类 /
4.3.1k-均值算法 /
4.3.2k-medoids算法 /
4.3.3k-prototype算法 /
4.4基于密度的聚类 /
4.4.1DBSCAN算法 /
4.4.2OPTICS算法 /
4.4.3DENCLUE算法 /
4.5基于层次的聚类 /
4.5.1BIRCH聚类 /
4.5.2CURE算法 /
4.6基于网格的聚类 /
4.6.1网格聚类的基本概念 /
4.6.2网格聚类的主要步骤 /
4.6.3基于网格的一些方法 /
4.6.4网格聚类算法的优缺点 /
4.7基于模型的聚类 /
4.7.1概率模型聚类 /
4.7.2模糊聚类 /
4.7.3Kohonen神经网络聚类 /
习题 /

第5章文本分析
5.1文本分析概述 /
5.2文本特征提取及表示 /
5.2.1TF-IDF /
5.2.2信息增益 /
5.2.3互信息 /
5.2.4卡方统计量 /
5.2.5词嵌入 /
5.2.6语言模型 /
5.2.7向量空间模型 /
5.3TF-IDF应用案例 /
5.3.1关键词自动提取 /
5.3.2找相似文章 /
5.3.3自动摘要 /
5.3.4文献检索 /
5.4词法分析 /
5.4.1文本分词 /
5.4.2命名实体识别 /
5.4.3词义消歧 /
5.5句法分析 /
5.6语义分析 /
5.7文本分析的应用 /
5.7.1文本分类 /
5.7.2信息抽取 /
5.7.3问答系统 /
5.7.4情感分析 /
5.7.5摘要生成 /
习题 /

第6章神经网络
6.1神经网络的工作方式和分类 /
6.1.1前馈神经网络 /
6.1.2反馈神经网络 /
6.1.3自组织神经网络 /
6.2神经网络的相关概念 /
6.2.1激活函数 /
6.2.2损失函数 /
6.2.3学习率 /
6.2.4过拟合与网络正则化 /
6.2.5预处理 /
6.2.6训练方式 /
6.2.7模型训练中的问题 /
6.2.8神经网络效果评价 /
6.3神经网络应用 /
习题 /

第7章贝叶斯网络
7.1贝叶斯理论概述 /
7.2贝叶斯概率基础 /
7.2.1概率论 /
7.2.2贝叶斯概率 /
7.3朴素贝叶斯分类模型 /
7.4贝叶斯网络推理 /
7.4.1贝叶斯网络 /
7.4.2贝叶斯网络的学习 /
7.4.3贝叶斯网络的推断 /
7.5贝叶斯网络的应用 /
7.5.1中文分词 /
7.5.2故障诊断 /
7.5.3疾病诊断 /
习题 /

第8章支持向量机
8.1线性可分支持向量机 /
8.1.1间隔与超平面 /
8.1.2支持向量机 /
8.1.3对偶问题求解 /
8.1.4软间隔 /
8.2非线性支持向量机 /
8.2.1非线性支持向量机原理 /
8.2.2常见核函数 /
8.3支持向量机的应用 /
习题 /

第9章联邦机器学习
9.1联邦机器学习基础 /
9.1.1参数服务器 /
9.1.2联邦并行计算类型 /
9.2联邦机器学习框架 /
9.3联邦决策树 /
9.4联邦k-均值算法 /
习题 /

第10章深度学习基础
10.1卷积神经网络 /
10.1.1卷积神经网络简介 /
10.1.2卷积神经网络的结构 /
10.1.3卷积神经网络的训练 /
10.1.4常见卷积神经网络 /
10.2循环神经网络 /
10.2.1RNN基本原理 /
10.2.2长短期记忆网络 /
10.2.3门限循环单元 /
10.2.4循环神经网络的其他改进 /
10.3深度学习流行框架 /
10.3.1Torch /
10.3.2TensorFlow /
10.3.3Caffe /
10.3.4Keras /
10.3.5MxNet /
10.3.6Deeplearning4j /
习题 /

第11章高级深度学习
11.1高级循环神经网络 /
11.1.1词嵌入 /
11.1.2自注意力模型 /
11.1.3多头注意力机制 /
11.1.4Transformer /
11.1.5BERT模型 /
11.2无监督式深度学习 /
11.2.1深度信念网络 /
11.2.2自动编码器网络 /
11.3生成对抗网络 /
11.3.1生成对抗网络基本原理 /
11.3.2常见的生成对抗网络 /
11.4迁移学习 /
习题 /

参考文献