机器学习是当前解决很多人工智能问题的核心技术，深度学习的出现带来了自2012年以来的人工智能复兴。雷明著的《机器学习与应用》是机器学习和深度学习领域的入门与提高教材，系统、深入地讲述机器学习与深度学习的主流方法与理论，并紧密结合工程实践与应用。全书由21章组成，共分为三大部分。第1～3章为第一部分，介绍机器学习的基本原理、所需的数学知识（包括微积分、线性代数、概率论和最优化方法），以及机器学习中的核心概念。第4～20章为第二部分，是本书的主体，介绍各种常用的有监督学习算法、无监督学习算法、半监督学习算法和强化学习算法。对于每种算法，从原理与推导、工程实现和实际应用3个方面进行介绍，对于大多数算法，都配有实验程序。第21章为第三部分，介绍机器学习和深度学习算法实际应用时面临的问题，并给出典型的解决方案。此外，附录A给出各种机器学习算法的总结，附录B给出梯度下降法的演化关系，附录C给出EM算法的推导。
本书理论推导与证明详细、深入，结构清晰，详细地讲述主要算法的工程实现细节，配以著名开源库的源代码分析（包括libsvm、liblinear、OpenCV、Caffe等开源库），让读者不仅知其然，还知其所以然，真正理解算法、学会使用算法。对于计算机、人工智能及相关专业的本科生和研究生，这是一本适合入门与系统学习的教材，对于从事人工智能和机器学习产品研发的工程技术人员，本书也具有很强的参考价值。

雷明，人工智能学习与实践平台SIGAI的创始人；2009年毕业于清华大学计算机系，获硕士学位，研究方向为机器视觉与机器学习；毕业后曾就职于百度公司，任高级软件工程师、项目经理。2012年加入zrnodo(深圳市智美达科技股份有限公司)，任CTO与平台研发中心负责人；2018年2月创立SIGAI，其核心产品为云端实验室与知识库，为人工智能学习与实践提供便捷的一站式服务：在机器学习与深度学习、机器视觉、自然语言处理方向有扎实的理论功底与丰富的学术和产品研发经验，硕士期间曾发表论文数篇。

第一部分 基本概念与数学知识
第1章 机器学习简介
1.1 机器学习是什么
1.1.1 一个简单的例子
1.1.2 为什么需要机器学习
1.2 典型应用
1.2.1 语音识别
1.2.2 人脸检测
1.2.3 人机对弈
1.2.4 机器翻译
1.2.5 自动驾驶
1.3 发展历程
1.3.1 历史成就
1.3.2 当前进展
1.4 关于本书
参考文献
第2章 数学知识
2.1 微积分和线性代数
2.1.1 导数
2.1.2 向量与矩阵
2.1.3 偏导数与梯度
2.1.4 雅克比矩阵
2.1.5 Hessian矩阵
2.1.6 泰勒展开
2.1.7 行列式
2.1.8 特征值与特征向量
2.1.9 奇异值分解
2.1.10 二次型
2.1.11 向量与矩阵求导
2.2 最优化方法
2.2.1 梯度下降法
2.2.2 牛顿法
2.2.3 坐标下降法
2.2.4 拉格朗日乘数法
2.2.5 凸优化
2.2.6 拉格朗日对偶
2.2.7 KKT条件
2.2.8 拟牛顿法
2.2.9 面临的问题
2.3 概率论
2.3.1 随机事件与概率
2.3.2 条件概率
2.3.3 随机变量
2.3.4 数学期望与方差
2.3.5 随机向量
2.3.6 最大似然估计
参考文献
第3章 基本概念
3.1 算法分类
3.1.1 监督信号
3.1.2 分类问题与回归问题
3.1.3 判别模型与生成模型
3.1.4 强化学习
3.2 模型评价指标
3.2.1 精度与召回率
3.2.2 ROC曲线
3.2.3 混淆矩阵
3.2.4 交叉验证
3.3 模型选择
3.3.1 过拟合与欠拟合
3.3.2 偏差与方差分解
3.3.3 正则化
参考文献
第二部分 主要的机器学习算法与理论
第4章 贝叶斯分类器
4.1 贝叶斯决策
第三部分 工程实践问题
附录A 各种机器学习算法的总结
附录B 梯度下降法的演化关系（见第15章）
附录C EM算法的推导（见第18章）