本书在全面介绍机器学习中的模型、算法以及相关编程技术等基本知识的基础上，着重介绍了监督机器学习中的线性回归、感知机、logistic回归、贝叶斯分类、集成学习、κ最近邻以及无监督学习中的主成分分析和聚类算法。在介绍这些算法时，都会通过例子分析如何使用这些算法解决实际应用问题。同时本书还介绍了机器学习中监督学习和无监督学习的模型评价指标。
全书可分为3部分来学习：第一部分(第1章)为机器学习的基础篇，着重介绍机器学习的发展历史，各个主流的分支，机器学习在人工智能中的作用以及学习机器学习所需要的数学知识；第二部分(第2～8章)为监督学习篇，着重介绍基本的监督学习方法的建模原理，求解模型的方法，如何基于sklearn框架调用这些算法解决实际应用问题；第三部分(第9～10章)为无监督学习篇，主要介绍主成分分析的基本原理和应用，κ-means算法的基本原理及应用，谱聚类算法的基本原理和应用。本书除提供大量应用实例及每章后均附有习题外，还配有微视频，主要对书中的一些重点和难点进行讲解，同时也对一些习题答案进行介绍。
本书适合作为高等院校智能科学与技术、计算机、软件工程专业本科生、研究生的入门教材，同时也可供对机器学习比较熟悉的应用开发人员、广大科技工作者和研究人员参考。

刘波，重庆工商大学副教授，博士，硕士生导师。2013年重庆大学计算机学院博士研究生毕业。主持教育部产学合作协同育人项目1项；主持和参与省部级科研项目3项，重庆市教委教改项目、重庆工商大学教改项目5项。翻译与机器学习、计算机视觉和大数据相关的著作十余部，主编教材1部，出版专著2部。在国际期刊和国内杂志发表论文数十篇，获发明专利1项。

第1章 机器学习概述
1.1 机器学习的定义
1.2 机器学习的发展历史
1.3 机器学习的主要分支
1.3.1 监督学习
1.3.2 无监督学习
1.3.3 半监督学习
1.3.4 强化学习
1.3.5 深度学习
1.4 机器学习的应用
1.4.1 大数据分析
1.4.2 计算机视觉
1.4.3 自然语言处理
1.4.4 推荐系统
1.5 机器学习与其他学科的关系
1.5.1 与概率统计、矩阵计算、最优化的关系
1.5.2 与人工智能、大数据、数据科学之间的关系
1.6 总结
1.7 习题
参考文献
第2章 线性回归
2.1 一元线性回归
2.2 多元线性回归
2.2.1 模型及求解
2.2.2 多元线性回归应用举例
2.2.3 解释线性回归模型
2.3 线性回归的正则化
2.3.1 Lasso
2.3.2 Lasso的应用举例
2.4弹性网29机器学习实用教程(微课版)目录2.5 总结
2.6 习题
参考文献
第3章 感知机
3.1 分类的定义及应用
3.2 评价分类模型的指标
3.3 感知机原理
3.3.1 感知机的结构
3.3.2 感知机模型的数学表示
3.3.3 感知机算法
3.4 多层感知机
3.4.1 认知机
3.4.2 神经认知机
3.5 实例应用
3.5.1 感知机对线性可分数据集进行分类
3.5.2 感知机对线性不可分数据集进行分类
3.5.3 用多层感知机进行图像分类
3.6 总结
3.7 习题
参考文献
第4章 logistic回归
4.1 线性回归与logistic回归的关系
4.2 从统计的角度建立logistic回归模型
4.3 训练logistic回归模型
4.3.1 拉格朗日法
4.3.2 梯度下降法
4.4 logistic回归模型的三种解释
4.4.1 基于概率的解释
4.4.2 基于最大熵原理的解释
4.4.3 基于贝叶斯原理的解释
4.5 logistic回归模型应用举例
4.6 softmax回归模型
4.7 总结
4.8 习题
参考文献
第5章 贝叶斯分类
5.1 高斯判别分析
5.2 朴素贝叶斯
5.3 改进的朴素贝叶斯
5.4 总结
5.5 习题
参考文献
第6章 决策树
6.1 决策树的基本概念
6.2 构建决策树
6.2.1 不纯度函数的定义
6.2.2 常用不纯度函数
6.3 典型的决策树算法
6.3.1 CART算法
6.3.2 ID3算法
6.4 决策树的构建策略及预测
6.5 决策树的停止标准与剪枝技术
6.5.1 停止标准
6.5.2 剪枝技术
6.6 决策树的优缺点
6.7 总结
6.8 习题
参考文献
第7章 集成学习
7.1 集成学习的基本原理
7.2 AdaBoost
7.2.1 AdaBoost算法的实现
7.2.2 AdaBoost示例
7.2.3 用最优化的观点解释AdaBoost
7.3 随机森林
7.4 总结
7.5 习题
参考文献
第8章 k近邻算法
8.1 引言
8.2 k近邻算法的原理及应用
8.2.1 k近邻算法的工作原理
8.2.2 k近邻算法在图像检索中的应用
8.2.3 k近邻算法的优缺点
8.3 近似最近邻算法
8.3.1 KD树算法
8.3.2 KD树算法的实现
8.4 k近邻算法的应用
8.5 总结
8.6 习题
参考文献
第9章 主成分分析
9.1 维度灾难
9.2 相关特征与冗余特征
9.3 主成分分析的原理
9.3.1 用回归的观点解释PCA
9.3.2 用消除相关性来解释PCA
9.3.3 图像数据的降维处理
9.3.4 主成分分析在数据分析中的应用
9.4 总结
9.5 习题
参考文献
第10章 无监督学习
10.1 无监督学习概述
10.2 聚类算法
10.2.1 聚类算法概述
10.2.2 聚类算法的评价指标
10.3 k-means聚类算法
10.3.1 k-means聚类算法原理
10.3.2 k-means聚类算法的示例
10.3.3 改进的k-means聚类算法
10.4 谱聚类算法
10.4.1 谱聚类算法的原理
10.4.2 谱聚类算法的实现
10.4.3 谱聚类算法的缺点
10.5 总结
10.6 习题
参考文献
附录A 用Boston数据集解释简单线性回归
附录B 多元线性回归应用
附录C 岭回归应用
附录D 感知机对线性可分数据集的分类
附录E 多层感知机的实现
附录F logistic回归的实现