在这个“智能为王”“数据是金”的时代，越采越多的数据，包括物联网设备采集的客观世界数据，被用来指导人类的实践活动。机器学习是处理与分析这些数据的一类常用方法。本书力求从原理的角度，从无到有，讲清楚机器学习中的一些常见方法，并从实践的角度，循序渐进，引领读者独立编程实现这些机器学习方法，从而帮助读者迅速掌握机器学习方法，为读者进一步学习理解深度学习方法奠定坚实的原理与实践基础。
本书适合计算机科学与技术、人工智能、物联网工程、数据科学与大数据、通信工程、电子信息、机器人、自动化、智能制造等相关专业高年级本科生及研究生教学或自学使用，也适合机器学习等领域的从业者及爱好者自学或参考。

陈喆，美国田纳西理工大学博士。2003年硕士毕业后在UT斯达康、意法半导体等企业工作多年。2011年博士毕业后在东北大学物联网工程专业任副教授、硕士研究生导师。曾任东北大学物联网工程研究所副所长、无锡(滨湖)国家传感信息中心副主任(挂职)，曾在美国北卡罗来纳州立大学访学。主要研究方向包括物联网无线通信、机器学习、认知无线电等。讲授机器学习、物联网技术、物联网通信技术、无线传感网络概论、无线传感网络实验、创业基础、创新创业活动、High-Performance Embedded System Design等课程。编著《物联网无线通信原理与实践》。多次被学生评选为“我最喜爱的老师”，所负责的课程多次被学生评选为“我最喜爱的专业课程”。

第1章 引言
1.1 机器学习简史
1.2 什么是机器学习
1.3 机器学习的应用
1.4 机器学习方法的实现
1.4.1 机器学习与Python
1.4.2 NumPy库
1.4.3 Matplotlib库
1.5 本章实验分析
1.6 本章小结
1.7 思考与练习
第2章 监督学习
2.1 线性回归
2.1.1 线性回归的数学模型
2.1.2 线性回归的训练过程
2.1.3 梯度下降法
2.1.4 线性回归的实现与性能评估
2.1.5 线性回归实践
2.1.6 特征缩放
2.1.7 多输出线性回归
2.2 逻辑回归
2.2.1 二分类与逻辑回归
2.2.2 逻辑回归的训练问题
2.2.3 逻辑回归的代价函数
2.2.4 分类任务的性能指标
2.2.5 逻辑回归实践
2.3 支持向量机
2.3.1 支持向量机及其训练问题
2.3.2 支持向量机训练问题初步求解
2.3.3 核技巧
2.3.4 软间隔支持向量机
2.3.5 支持向量机实践
2.3.6 过拟合与欠拟合
2.4 k近邻
2.4.1 k近邻分类
2.4.2 多分类任务的性能指标
2.5 朴素贝叶斯
2.5.1 朴素贝叶斯分类器
2.5.2 朴素贝叶斯分类器进阶
2.5.3 朴素贝叶斯实践
2.6 神经网络
2.6.1 多分类逻辑回归
2.6.2 多分类逻辑回归的训练
2.6.3 二分类神经网络
2.6.4 二分类神经网络的分类
2.6.5 二分类神经网络的训练
2.6.6 多分类神经网络
2.6.7 多分类神经网络的训练
2.7 本章实验分析
2.8 本章小结
2.9 思考与练习
第3章 无监督学习
3.1 k均值
3.1.1 k均值聚类
3.1.2 k值与轮廓系数
3.1.3 k均值实践
3.2 主成分分析
3.2.1 主成分分析降维
3.2.2 主成分分析实践
3.3 自编码器
3.3.1 什么是自编码器
3.3.2 自编码器的训练与降维
3.3.3 自编码器实践
3.4 本章实验分析
3.5 本章小结
3.6 思考与练习
第4章 强化学习
4.1 多老虎机问题
4.1.1 多老虎机问题及初步实践
4.1.2 ε贪婪方法
4.1.3 强化学习的要素
4.2 马尔可夫决策过程
4.2.1 什么是马尔可夫决策过程
4.2.2 收益与最优策略
4.2.3 贝尔曼最优性方程
4.2.4 求解贝尔曼最优性方程
4.2.5 马尔可夫决策过程实践
4.3 Q学习
4.3.1 什么是Q学习
4.3.2 Q学习实践
4.4 本章实验分析
4.5 本章小结
4.6 思考与练习
参考文献
附录A 实验参考程序及注释