陈海虹、黄彪、刘锋、陈文国主编的《机器学习原理及应用》以《关于加快大数据产业发展应用若干政策的意见》和《贵州省大数据产业发展应用规划纲要(2014—2020年)》为指导，以满足贵州省经济社会发展需求为目的，重点介绍了机器学习的基础理论知识和典型方法。本书共有7章，第1章对机器学习的概念、类别、近年来的研究概括和应用前景进行了介绍。第2章阐述了机器学习的基础理论，并以引入实例的方法深入浅出地描述了机器学习的建模过程。第3章重点介绍了神经网络理论基础，并详细讲解了基于神经网络的机器学习规则。第4章对目前主流的机器学习模型分别进行了阐述，包括树模型、概率模型、支持向量机等。第5章对监督学习、集成学习、规则学习、强化学习、流形学习与图谱学习等常见的机器学习方法进行详细讲解。第6章介绍了大数据时代下的数据挖掘与机器学习的相关研究，重点讲述了基于大数据的机器学习应用与研究实例，并对数据挖掘工具进行了简要讲解。第7章列举了机器学习成功应用的实用案例，并进行了详细的解析。

第1章 绪论
1.1 什么是机器学习
1.2 机器学习的发展历程及研究现状
1.2.1 机器学习的发展历程
1.2.2 机器学习的研究现状
1.3 机器学习的分类
1.3.1 基于学习策略的分类
1.3.2 基于学习方法的分类
1.3.3 基于学习方式的分类
1.3.4 基于数据形式的分类
1.3.5 基于学习目标的分类
1.4 机器学习的应用前景
1.4.1 数据分析与挖掘
1.4.2 模式识别
1.4.3 在生物信息学上的应用
1.4.4 更广阔的领域
第2章 机器学习基础理论
2.1 引言
2.2 线性建模
2.2.1 定义模型
2.2.2 模型假设
2.2.3 理想模型的定义
2.2.4 最小二乘解
2.3 向量和矩阵
2.4 线性模型的非线性响应
2.5 泛化与过拟合
2.5.1 验证数据
2.5.2 交叉验证
2.5.3 K折交叉验证的计算缩放
2.6 噪声
2.7 随机变量和概率
2.7.1 随机变量
2.7.2 概率和概率分布
2.7.3 概率的加法
2.7.4 条件概率
2.7.5 联合概率
2.7.6 边缘化
2.7.7 贝叶斯规则
2.7.8 期望值
2.8 常见的离散分布
2.8.1 伯努利分布
2.8.2 二项分布
2.8.3 多项分布
2.9 连续型随机变量一概率密度函数
2.10 常见的连续概率密度函数
2.10.1 均匀密度函数
2.10.2 β密度函数
2.10.3 斯密度函数
2.10.4 多元高斯
2.11 似然估计
2.11.1 数据集的似然值
2.11.2 最大似然
2.11.3 最大似然解的特点
2.11.4 最大似然法适用于复杂模型
……
第3章 人工神经网络
第4章 主流的机器学习模型
第5章 机器学习方法
第6章 大数据时代的数据挖掘与机器学习
第7章 机器学习实用案例解析
参考文献