由阿培丁编著的《机器学习导论（原书第2版）》对机器学习的定义和应用实例进行了介绍，涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较、组合多学习器以及增强学习等。最新的第2版增加了三章内容，分别是核机器、图模型、贝叶斯估计，扩展了统计测试的内容，教学案例可以从本书配套网站下载。

由阿培丁编著的《机器学习导论（原书第2版）》讨论了机器学习在统计学、模式识别、神经网络、人工智能、信号处理等不同领域的应用，其中涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较以及增强学习。

《机器学习导论（原书第2版）》可供完成计算机程序设计、概率论、微积分和线性代数课程的高年级本科生和研究生使用，也可供对机器学习感兴趣的工程技术人员参考。

Introduction to Machine Learning,Secon

出版者的话

中文版序

译者序

前言

致谢

关于第2版

符号表

第1章 绪论

 1.1 什么是机器学习

 1.2 机器学习的应用实例

1.2.1 学习关联性

1.2.2 分类

1.2.3 回归

1.2.4 非监督学习

1.2.5 增强学习

 1.3 注释

 1.4 相关资源

 1.5 习题

 1.6 参考文献

第2章 监督学习

 2.1 由实例学习类

 2.2 VC维

 2.3 概率逼近正确学习

 2.4 噪声

 2.5 学习多类

 2.6 回归

 2.7 模型选择与泛化

 2.8 监督机器学习算法的维

 2.9 注释

 2.10 习题

 2.11 参考文献

第3章 贝叶斯决策定理

 3.1 引言

 3.2 分类

 3.3 损失与风险

 3.4 判别式函数

 3.5 效用理论

 3.6 关联规则

 3.7 注释

 3.8 习题

 3.9 参考文献

第4章 参数方法

 4.1 引言

 4.2 最大似然估计

4.2.1 伯努利密度

4.2.2 多项密度

4.2.3 高斯(正态)密度

 4.3 评价估计：偏倚和方差

 4.4 贝叶斯估计

 4.5 参数分类

 4.6 回归

 4.7 调整模型的复杂度：偏倚/方差两难选择

 4.8 模型选择过程

 4.9 注释

 4.10 习题

 4.11 参考文献

第5章 多元方法

 5.1 多元数据

 5.2 参数估计

 5.3 缺失值估计

 5.4 多元正态分布

 5.5 多元分类

 5.6 调整复杂度

 5.7 离散特征

 5.8 多元回归

 5.9 注释

 5.10 习题

 5.11 参考文献

第6章 维度归约

 6.1 引言

 6.2 子集选择

 6.3 主成分分析

 6.4 因子分析

 6.5 多维定标

 6.6 线性判别分析

 6.7 等距特征映射

 6.8 局部线性嵌入

 6.9 注释

 6.10 习题

 6.11 参考文献

第7章 聚类

 7.1 引言

 7.2 混合密度

 7.3 k-均值聚类

 7.4 期望最大化算法

 7.5 潜在变量混合模型

 7.6 聚类后的监督学习

 7.7 层次聚类

 7.8 选择簇个数

 7.9 注释

 7.10 习题

 7.11 参考文献

第8章 非参数方法

 8.1 引言

 8.2 非参数密度估计

8.2.1 直方图估计

8.2.2 核估计

8.2.3 k最近邻估计

 8.3 到多元数据的推广

 8.4 非参数分类

 8.5 精简的最近邻

 8.6 非参数回归：光滑模型

8.6.1 移动均值光滑

8.6.2 核光滑

8.6.3 移动线光滑

 8.7 如何选择光滑参数

 8.8 注释

 8.9 习题

 8.10 参考文献

第9章 决策树

 9.1 引言

 9.2 单变量树

9.2.1 分类树

9.2.2 回归树

 9.3 剪枝

 9.4 由决策树提取规则

 9.5 由数据学习规则

 9.6 多变量树

 9.7 注释

 9.8 习题

 9.9 参考文献

第10章 线性判别式

 10.1 引言

 10.2 推广线性模型

 10.3 线性判别式的几何意义

10.3.1 两类问题

10.3.2 多类问题

 10.4 逐对分离

 10.5 参数判别式的进一步讨论

 10.6 梯度下降

 10.7 逻辑斯谛判别式

10.7.1 两类问题

10.7.2 多类问题

 10.8 回归判别式

 10.9 注释

10.10 习题

10.11 参考文献

第11章 多层感知器

 11.1 引言

11.1.1 理解人脑

11.1.2 神经网络作为并行处理的典范

 11.2 感知器

 11.3 训练感知器

 11.4 学习布尔函数

 11.5 多层感知器

 11.6 作为普适近似的

 11.7 后向传播算法

11.7.1 非线性回归

11.7.2 两类判别式

11.7.3 多类判别式

11.7.4 多个隐藏层

 11.8 训练过程

11.8.1 改善收敛性

11.8.2 过分训练

11.8.3 构造网络

11.8.4 线索

 11.9 调整网络规模

 11.10 学习的贝叶斯观点

 11.11 维度归约

 11.12 学习时间

11.12.1 时间延迟神经网络

11.12.2 递归网络

 11.13 注释

 11.14 习题

 11.15 参考文献

第12章 局部模型

 12.1 引言

 12.2 竞争学习

12.2.1 在线k-均值

12.2.2 自适应共鸣理论

12.2.3 自组织映射

 12.3 径向基函数

 12.4 结合基于规则的知识

 12.5 规范化基函数

 12.6 竞争的基函数

 12.7 学习向量量化

 12.8 混合专家模型

12.8.1 协同专家模型

12.8.2 竞争专家模型

 12.9 层次混合专家模型

 12.10 注释

 12.11 习题

 12.12 参考文献

第13章 核机器

第14章 贝叶斯估计

第15章 隐马尔可夫模型

第16章 图方法

第17章 组合多学习器

第18章 增强学习

第19章 机器学习实验的设计与分析

附录A 概率论

索引