本书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、控制和数据挖掘等不同领域的应用。本书可作为高等院校计算机相关专业高年级本科生和研究生的教材，也可供研究机器学习方法的技术人员参考。

本书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、控制和数据挖掘等不同领域的应用。内容涵盖了监督学习、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。本书可作为高等院校计算机相关专业高年级本科生和研究生的教材，也可供研究机器学习方法的技术人员参考。

出版者的话

中文版序

译者序

前言

致谢

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　信息值

 3.7　贝叶斯网络

 3.8　影响图

 3.9　关联规则

 3.10　注释

 3.11　习题

 3.12　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

……

第6章　维度旭纳

第7章　聚类

第8章　非参数方法

第9章　决策树

第10章　线性判别式

第11章　多层感知器

第12章　局部模型　

第13章　隐马尔可夫模型　

第14章　分类算法评估和比较

第15章　组合多学习器

第16章　增强学习