对机器学习算法的全面介绍，既包含经典机器学习方法，也包括深度学习和增强学习。

本书兼顾机器学习基础、经典方法和深度学习方法,对组成机器学习的基础知识和基本算法进行了比较细致的介绍,对广泛应用的经典算法如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等算法都给出了深入的分析并讨论了无监督学习的基本方法,对深度学习和强化学习进行了全面的叙述,比较深入地讨论了反向传播算法、多层感知机、CNN、RNN和LSTM等深度神经网络的核心知识和结构;对于强化学习,不仅介绍了经典表格方法,还讨论了深度强化学习。本书是面向大学理工科和管理类各专业的宽口径、综合性机器学习的教材,可供本科生和一年级研究生课程使用,也可供科技人员、工程师和程序员自学机器学习的原理和算法使用。本书对基础和前沿、经典方法和热门技术进行了尽可能的平衡,使得读者不仅能在机器学习领域打下一个良好的基础,同时也可以利用所学知识解决遇到的实际问题并为进入学科前沿打好基础。

第一部分基础知识和基本方法
第1章机器学习概述
微课视频185分钟
1.1什么是机器学习
1.2机器学习的类型
1.2.1基本分类
1.2.2监督学习及其功能分类
1.3构建机器学习系统的基本问题
1.3.1机器学习的基本元素
1.3.2机器学习的一些基本概念
1.4从简单示例理解机器学习
1.4.1一个简单的回归示例
1.4.2一个简单的分类示例
1.5深度学习简介
1.6本章小结
习题
第2章统计与优化基础
微课视频168分钟
2.1概率论基础
2.1.1离散随机变量
2.1.2连续随机变量
2.1.3随机变量的统一表示
2.1.4随机变量的基本特征
2.1.5随机特征的蒙特卡洛逼近
2.2概率实例
2.2.1离散随机变量示例
2.2.2高斯分布
2.2.3指数族
2.2.4混合高斯过程
2.2.5马尔可夫过程
2.3优选似然估计
2.4贝叶斯估计
2.5贝叶斯决策
2.5.1机器学习中的决策
2.5.2分类的决策
2.5.3回归的决策
2.6随机变量的熵特征
2.6.1熵的定义和基本性质
2.6.2KL散度
2.7非参数方法
2.8优化技术概述
2.9本章小结
习题
第3章基本回归算法
微课视频85分钟
3.1线性回归
3.1.1基本线性回归
3.1.2线性回归的递推学习
3.1.3多输出线性回归
3.2正则化线性回归
3.3线性基函数回归
3.4本章小结
习题
第4章基本分类算法
微课视频86分钟
4.1基本分类问题
4.2线性判别函数模型
4.2.1Fisher线性判别分析
*4.2.2感知机
4.3逻辑回归
4.3.1二分类问题的逻辑回归
4.3.2多分类问题的逻辑回归
4.4朴素贝叶斯方法
4.5高斯生成模型分类器
4.5.1相同协方差矩阵情况的二分类
4.5.2不同协方差矩阵情况的二分类
4.5.3多分类情况
4.6本章小结
习题
第5章机器学习的性能与评估
5.1模型的训练、验证与测试
5.2机器学习模型的性能评估
5.3机器学习模型的误差分解
5.4机器学习模型的泛化性能
5.4.1假设空间有限时的泛化误差界
*5.4.2假设空间无限时的泛化误差界
5.5本章小结
习题
第二部分经典算法
第6章支持向量机与核函数方法
微课视频90分钟
6.1线性可分的支持向量机
6.1.1不等式约束的优化
6.1.2线性可分情况SVM的原理
6.1.3线性可分情况SVM的优化解
6.2线性不可分情况的SVM
6.2.1线性不可分情况SVM的优化解
6.2.2合页损失函数
6.3非线性支持向量机
6.3.1SVM分类算法小结
6.3.2核函数方法
6.4SVM用于多分类问题
*6.5支持向量回归
6.6本章小结
习题
第7章决策树算法
微课视频75分钟
7.1基本决策树算法
7.1.1决策树的基本结构
7.1.2信息增益和ID3算法
7.1.3信息增益率和C4.5算法
7.2CART算法
7.2.1分类树
7.2.2回归树
7.3决策树的一些实际问题
7.3.1连续数值变量
7.3.2正则化和剪枝技术
7.3.3缺失属性的训练样本问题
7.4本章小结
习题
第8章集成学习算法
微课视频60分钟
8.1Bagging和随机森林
……