本书全面讲述机器学习理论基础、算法实现及使用方法。第1章简要介绍机器学习及其算法；第2～9章主要介绍监督式学习算法，其中包括监督式学习算法基础、线性回归算法、机器学习中的搜索算法、Logistic回归算法、支持向量机算法、决策树、神经网络和深度学习；第10、11章着重介绍无监督学习算法，其中包括降维算法和聚类算法；第12章讲述强化学习的相关知识；附录提供了学习本书必备的数学基础知识和Python语言与机器学习工具库。
本书可作为计算机科学与技术、智能科学与技术等专业高年级本科生和研究生教材，也可供人工智能领域特别是机器学习方向从事研究、开发工作的科技人员参考。

第1章 机器学习算法概述
1.1 什么是机器学习
1.2 机器学习的形式分类
1.2.1 监督式学习
1.2.2 无监督学习
1.2.3 强化学习
1.3 机器学习算法综览
1.4 有关术语的约定
小结
第2章 监督式学习算法基础
2.1 监督式学习基本概念
2.2 经验损失最小化架构
2.3 监督式学习与经验损失最小化实例
2.4 正则化算法
小结
习题
第3章 线性回归算法
3.1 线性回归基本概念
3.2 线性回归优化算法
3.3 多项式回归
3.4 线性回归的正则化算法
3.5 线性回归的特征选择算法
3.5.1 逐步回归
3.5.2 分段回归
小结
习题
第4章 机器学习中的搜索算法
4.1 梯度下降算法与次梯度下降算法
4.2 随机梯度下降算法
4.3 牛顿迭代算法
4.4 坐标下降算法
小结
习题
第5章 Logistic回归算法
5.1 Logistic回归基本概念
5.2 Logistic回归优化算法
5.3 分类问题的度量
5.3.1 准确率
5.3.2 精确率与召回率
5.3.3 ROC曲线及AUC度量
5.4 Softmax回归
5.4.1 Softmax回归基本概念
5.4.2 Softmax回归优化算法
5.4.3 Softmax模型与指数分布族
小结
习题
第6章 支持向量机算法
6.1 支持向量机基本概念
6.1.1 支持向量机思想起源
6.1.2 支持向量机的凸优化描述
6.1.3 支持向量机的对偶
6.2 支持向量机优化算法
6.3 核方法
6.4 软间隔支持向量机
6.4.1 软间隔支持向量机基本概念
6.4.2 软间隔支持向量机优化算法
6.4.3 Hinge损失与软间隔支持向量机
小结
习题
第7章 决策树
7.1 决策树的基本概念
7.2 决策树优化算法
7.2.1 决策树回归问题的CART算法
7.2.2 决策树分类问题的CART算法
7.3 CART算法实现及应用
7.3.1 决策树CART算法基类
7.3.2 决策树回归问题的CART算法的实现及应用
7.3.3 决策树分类问题的CART算法的实现及应用
7.4 集成学习算法
7.4.1 随机森林分类算法
7.4.2 随机森林回归算法
7.5 梯度提升决策树回归算法
小结
习题
第8章 神经网络
8.1 神经网络基本概念
8.1.1 神经网络模型
8.1.2 神经网络算法描述
8.2 神经网络优化算法
8.3 神经网络算法实现
8.4 神经网络的TensorFlow实现
小结
习题
第9章 深度学习
9.1 卷积神经网络
9.1.1 滤镜
9.1.2 卷积层
9.1.3 卷积神经网络的实现
9.2 循环神经网络
9.2.1 循环神经网络基本概念
9.2.2 循环神经网络的实现
9.2.3 时间反向传播算法
9.2.4 长短时记忆基本概念
9.2.5 长短时记忆的实现
小结
习题
第10章 降维算法
10.1 主成分分析法
10.1.1 算法思想
10.1.2 算法实现
10.1.3 奇异值分解
10.2 主成分分析的核方法
10.2.1 主成分分析法的等价形式
10.2.2 核方法算法描述
10.2.3 核方法算法实现
10.3 线性判别分析法
10.3.1 算法思想
10.3.2 算法实现
10.4 流形降维算法
10.4.1 局部线性嵌入法
10.4.2 多维缩放法
10.5 自动编码器
小结
习题
第11章 聚类算法
11.1 k均值算法
11.2 合并聚类算法
11.3 DBSCAN算法
小结
习题
第12章 强化学习
12.1 强化学习基本概念
12.1.1 马尔可夫环境模型
12.1.2 策略
12.2 动态规划型算法
12.2.1 值迭代算法
12.2.2 策略迭代算法
12.3 时序差分型算法
12.4 深度Q神经网络
12.5 策略梯度型算法
12.5.1 REINFORCE算法
12.5.2 Actor-Critic算法
小结
习题
附录A 机器学习数学基础
A.1 线性代数
A.2 微积分
A.3 优化理论
A.3.1 凸函数的定义及判定
A.3.2 无约束凸优化问题
A.3.3 带约束凸优化问题
A.4 概率论简介
附录B Python语言与机器学习工具库
B.1 Python语言基础
B.2 SciPy工具库
B.2.1 NumPy简介
B.2.2 Matplotlib简介
B.2.3 Pandas简介
B.3 Sklearn简介
B.4 TensorFlow简介
附录C 本书使用的数据集
参考文献