机器学习是人工智能的重要技术基础，涉及的内容十分广泛。赵卫东、董亮编著的《机器学习(数据科学与大数据技术专业系列规划教材)》涵盖了机器学习的基础知识，主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习基础知识，还包括用于大数据机器学习的分布式机器学习算法、深度学习等高级内容。此外，本书还介绍了机器学习的热门应用领域推荐系统，并给出了华为机器学习平台上的实验。
本书深入浅出、内容全面、案例丰富，每章结尾都有习题，供读者巩固所学知识。
本书适合作为高等院校本科生、研究生的机器学习、数据分析、数据挖掘等课程的教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。

赵卫东，复旦大学计算机科学技术学院副教授，博士。主要研究方向为商务数据分析和大数据分析。2015年度上海市科技进步二等奖获得者。主持的“商务智能”课程被评为上海市精品课程，并获得2013年度上海市高等教育教学成果二等奖。主持完成国家自然科学基金、上海市浦江人才及企业合作课题等20多个项目。在国内外期刊和相关学术会议发表论文90多篇。出版专著《智能化的流程管理》，及《数据挖掘实用案例分析》《商务智能(第四版)》等多本教材，翻译《商务智能数据分析的管理视角(第四版)》《人机共生》等多部著作。

第1章 机器学习概述
1.1 机器学习简介
1.1.1 机器学习简史
1.1.2 机器学习主要流派
1.2 机器学习、人工智能和数据挖掘
1.2.1 什么是人工智能
1.2.2 什么是数据挖掘
1.2.3 机器学习、人工智能与数据挖掘的关系
1.3 典型机器学习应用领域
1.4 机器学习算法
1.5 机器学习的一般流程
习题
第2章 机器学习基本方法
2.1 统计分析
2.1.1 统计基础
2.1.2 常见概率分布
2.1.3 参数估计
2.1.4 假设检验
2.1.5 线性回归
2.1.6 逻辑回归
2.1.7 判别分析
2.1.8 非线性模型
2.2 高维数据降维
2.2.1 主成分分析
2.2.2 奇异值分解
2.2.3 线性判别分析
2.2.4 局部线性嵌入
2.2.5 拉普拉斯特征映射
2.3 特征工程
2.3.1 特征构建
2.3.2 特征选择
2.3.3 特征提取
2.4 模型训练
2.4.1 模型训练常见术语
2.4.2 训练数据收集
2.5 可视化分析
2.5.1 可视化分析的作用
2.5.2 可视化分析方法
2.5.3 可视化分析常用工具
2.5.4 常见的可视化图表
2.5.5 可视化分析面临的挑战
习题
第3章 决策树与分类算法
3.1 决策树算法
3.1.1 分支处理
3.1.2 连续属性离散化
3.1.3 过拟合问题
3.1.4 分类效果评价
3.2 集成学习
3.2.1 装袋法
3.2.2 提升法
3.2.3 GBDT
3.2.4 随机森林
3.3 决策树应用
习题
第4章 聚类分析
4.1 聚类分析概念
4.1.1 聚类方法分类
4.1.2 良好聚类算法的特征
第5章 文本分析
第6章 神经网络
第7章 贝叶斯网络
第8章 支持向量机
第9章 进化计算
第10章 分布式机器学习
第11章 深度学习
第12章 高级深度学习
第13章 推荐系统
第14章 实验
附录 《机器学习》配套实验课程方案简介
参考文献