内容简介
本书是机器学习领域的经典入门教材，全面介绍了机器学习的基本概念、主要方法和典型应用。全书共分为三大部分：第一部分介绍机器学习的基础知识，包括监督学习、无监督学习、强化学习等基本范式，以及模型评估与选择、特征工程等关键技术。第二部分详细讲解了各种经典算法，如线性模型、决策树、神经网络、支持向量机、聚类分析、贝叶斯方法等，并深入分析了每种算法的原理、优缺点和适用场景。第三部分探讨了机器学习的前沿话题，包括深度学习、集成学习、稀疏学习、半监督学习、概率图模型等，并讨论了机器学习在实际问题中的应用，如文本分类、图像识别、推荐系统等。
本书在内容组织上注重理论与实践的平衡，既深入浅出地阐述了算法的数学原理，又通过各种实例和习题帮助读者巩固所学知识。第3版在保留原有精华的基础上，增加了近年来机器学习领域的最新研究成果，如深度学习的进展、对抗生成网络等，并更新了部分章节的内容和示例，使其更加贴近当前的技术发展。
本书适合作为计算机科学及相关专业本科生和研究生的机器学习教材，也适合对机器学习感兴趣的研究人员和工程技术人员自学参考。通过阅读本书，读者能够系统地掌握机器学习的基本理论和方法，为深入研究和实际应用打下坚实的基础。
目录
1.1 什么是机器学习
1.2 机器学习的应用实例
1.2.1 学习关联性
1.2.2 分类
1.2.3 回归
1.2.4 非监督学习
1.2.5 增强学习
1.3 注释
1.4 相关资源
1.5 习题
1.6 参考文献
第2章 监督学习
2.1 由实例学习类
2.2 VC维
2.3 概率近似正确学习
2.4 噪声
2.5 学习多类
2.6 回归
2.7 模型选择与泛化
2.8 监督机器学习算法的维
1.2 机器学习的应用实例
1.2.1 学习关联性
1.2.2 分类
1.2.3 回归
1.2.4 非监督学习
1.2.5 增强学习
1.3 注释
1.4 相关资源
1.5 习题
1.6 参考文献
第2章 监督学习
2.1 由实例学习类
2.2 VC维
2.3 概率近似正确学习
2.4 噪声
2.5 学习多类
2.6 回归
2.7 模型选择与泛化
2.8 监督机器学习算法的维
2.9 注释
2.10 习题
2.11 参考文献
第3章 贝叶斯决策理论
3.2 分类
3.3 损失与风险
3.4 判别式函数
3.5 关联规则
3.6 注释
3.7 习题
3.8 参考文献
第4章 参数方法
4.2 最大似然估计
4.2.1 伯努利密度
4.2.2 多项式密度
4.2.3 高斯（正态）密度
4.3 评价估计：偏倚和方差
4.4 贝叶斯估计
4.5 参数分类
4.6 回归
4.7 调整模型的复杂度：偏倚／方差两难选择
4.8 模型选择过程
4.9 注释
4.10 习题
4.11 参考文献
第5章 多元方法
5.1 多元数据
5.2 参数估计
5.3 缺失值估计
5.4 多元正态分布
5.5 多元分类
5.6 调整复杂度
5.7 离散特征
5.8 多元回归
5.9 注释
5.10 习题
5.11 参考文献
第6章 维度归约
6.2 子集选择
6.3 主成分分析
6.4 特征嵌入
6.5 因子分析
6.6 奇异值分解与矩阵分解
6.7 多维定标
6.8 线性判别分析
6.9 典范相关分析
6.10 等距特征映射
6.11 局部线性嵌入
6.12 拉普拉斯特征映射
6.13 注释
6.14 习题
6.15 参考文献
第7章 聚类
7.2 混合密度
7.3 k均值聚类
7.4 期望最大化算法
7.5 潜在变量混合模型
7.6 聚类后的监督学习
7.7 谱聚类
7.8 层次聚类
7.9 选择簇个数
7.10 注释
7.11 习题
7.12 参考文献
第8章 非参数方法
8.2 非参数密度估计
8.2.1 直方图估计
8.2.2 核估计
8.2.3 k最近邻估计
8.3 推广到多变元数据
8.4 非参数分类
8.5 精简的最近邻
8.6 基于距离的分类
8.7 离群点检测
8.8 非参数回归：光滑模型
8.8.1 移动均值光滑
8.8.2 核光滑
8.8.3 移动线光滑
8.9 如何选择光滑参数
8.10 注释
8.11 习题
8.12 参考文献
第9章 决策树
9.2 单变量树
9.2.1 分类树
9.2.2 回归树
9.3 剪枝
9.4 由决策树提取规则
9.5 由数据学习规则
9.6 多变量树
9.7 注释
9.8 习题
9.9 参考文献
第10章 线性判别式
10.2 推广线性模型
10.3 线性判别式的几何意义
10.3.1 两类问题
10.3.2 多类问题
10.4 逐对分离
10.5 参数判别式的进一步讨论
10.6 梯度下降
10.7 逻辑斯谛判别式
10.7.1 两类问题
10.7.2 多类问题
10.8 回归判别式
10.9 学习排名
10.10 注释
10.11 习题
10.12 参考文献
第11章 多层感知器
11.1.1 理解人脑
11.1.2 神经网络作为并行处理的典范
11.2 感知器
11.3 训练感知器
11.4 学习布尔函数
11.5 多层感知器
11.6 作为普适近似的MLP
11.7 向后传播算法
11.7.1 非线性回归
11.7.2 两类判别式
11.7.3 多类判别式
11.7.4 多个隐藏层
11.8 训练过程
11.8.1 改善收敛性
11.8.2 过分训练
11.8.3 构造网络
11.8.4 线索
11.9 调整网络规模
11.10 学习的贝叶斯观点
11.11 维度归约
11.12 学习时间
11.12.1 时间延迟神经网络
11.12.2 递归网络
11.13 深度学习
11.14 注释
11.15 习题
11.16 参考文献
第12章 局部模型
12.2 竞争学习
12.2.1 在线k均值
12.2.2 自适应共鸣理论
12.2.3 自组织映射
12.3 径向基函数
12.4 结合基于规则的知识
12.5 规范化基函数
12.6 竞争的基函数
12.7 学习向量量化
12.8 混合专家模型
12.8.1 协同专家模型
12.8.2 竞争专家模型
12.9 层次混合专家模型
12.10 注释
12.11 习题
12.12 参考文献
第13章 核机器
13.2 最佳分离超平面
13.3 不可分情况：软边缘超平面
13.4 v-SVM
13.5 核技巧
13.6 向量核
13.7 定义核
13.8 多核学习
13.9 多类核机器
13.10 用于回归的核机器
13.11 用于排名的核机器
13.12 一类核机器
13.13 大边缘最近邻分类
13.14 核维度归约
13.15 注释
13.16 习题
13.17 参考文献
第14章 图方法
14.2 条件独立的典型情况
14.3 生成模型
14.4 d分离
14.5 信念传播
14.5.1 链
14.5.2 树
14.5.3 多树
14.5.4 结树
14.6 无向图：马尔科夫随机场
14.7 学习图模型的结构
14.8 影响图
14.9 注释
14.10 习题
14.11 参考文献
第15章 隐马尔科夫模型
15.2 离散马尔科夫过程
15.3 隐马尔科夫模型
15.4 HMM的三个基本问题
15.5 估值问题
15.6 寻找状态序列
15.7 学习模型参数
15.8 连续观测
15.9 HMM作为图模型
15.10 HMM中的模型选择
15.11 注释
15.12 习题
15.13 参考文献
第16章 贝叶斯估计
16.2 离散分布的参数的贝叶斯估计
16.2.1 K＞2个状态：狄利克雷分布
16.2.2 K＝2个状态：贝塔分布
16.3 高斯分布的参数的贝叶斯估计
16.3.1 一元情况：未知均值，已知方差
16.3.2 一元情况：未知均值，未知方差
16.3.3 多元情况：未知均值，未知协方差
16.4 函数的参数的贝叶斯估计
16.4.1 回归
16.4.2 具有噪声精度先验的回归
16.4.3 基或核函数的使用
16.4.4 贝叶斯分类
16.5 选择先验
16.6 贝叶斯模型比较
16.7 混合模型的贝叶斯估计
16.8 非参数贝叶斯建模
16.9 高斯过程
16.10 狄利克雷过程和中国餐馆
16.11 本征狄利克雷分配
16.12 贝塔过程和印度自助餐
16.13 注释
16.14 习题
16.15 参考文献
2.10 习题
2.11 参考文献
第3章 贝叶斯决策理论
3.2 分类
3.3 损失与风险
3.4 判别式函数
3.5 关联规则
3.6 注释
3.7 习题
3.8 参考文献
第4章 参数方法
4.2 最大似然估计
4.2.1 伯努利密度
4.2.2 多项式密度
4.2.3 高斯（正态）密度
4.3 评价估计：偏倚和方差
4.4 贝叶斯估计
4.5 参数分类
4.6 回归
4.7 调整模型的复杂度：偏倚／方差两难选择
4.8 模型选择过程
4.9 注释
4.10 习题
4.11 参考文献
第5章 多元方法
5.1 多元数据
5.2 参数估计
5.3 缺失值估计
5.4 多元正态分布
5.5 多元分类
5.6 调整复杂度
5.7 离散特征
5.8 多元回归
5.9 注释
5.10 习题
5.11 参考文献
第6章 维度归约
6.2 子集选择
6.3 主成分分析
6.4 特征嵌入
6.5 因子分析
6.6 奇异值分解与矩阵分解
6.7 多维定标
6.8 线性判别分析
6.9 典范相关分析
6.10 等距特征映射
6.11 局部线性嵌入
6.12 拉普拉斯特征映射
6.13 注释
6.14 习题
6.15 参考文献
第7章 聚类
7.2 混合密度
7.3 k均值聚类
7.4 期望最大化算法
7.5 潜在变量混合模型
7.6 聚类后的监督学习
7.7 谱聚类
7.8 层次聚类
7.9 选择簇个数
7.10 注释
7.11 习题
7.12 参考文献
第8章 非参数方法
8.2 非参数密度估计
8.2.1 直方图估计
8.2.2 核估计
8.2.3 k最近邻估计
8.3 推广到多变元数据
8.4 非参数分类
8.5 精简的最近邻
8.6 基于距离的分类
8.7 离群点检测
8.8 非参数回归：光滑模型
8.8.1 移动均值光滑
8.8.2 核光滑
8.8.3 移动线光滑
8.9 如何选择光滑参数
8.10 注释
8.11 习题
8.12 参考文献
第9章 决策树
9.2 单变量树
9.2.1 分类树
9.2.2 回归树
9.3 剪枝
9.4 由决策树提取规则
9.5 由数据学习规则
9.6 多变量树
9.7 注释
9.8 习题
9.9 参考文献
第10章 线性判别式
10.2 推广线性模型
10.3 线性判别式的几何意义
10.3.1 两类问题
10.3.2 多类问题
10.4 逐对分离
10.5 参数判别式的进一步讨论
10.6 梯度下降
10.7 逻辑斯谛判别式
10.7.1 两类问题
10.7.2 多类问题
10.8 回归判别式
10.9 学习排名
10.10 注释
10.11 习题
10.12 参考文献
第11章 多层感知器
11.1.1 理解人脑
11.1.2 神经网络作为并行处理的典范
11.2 感知器
11.3 训练感知器
11.4 学习布尔函数
11.5 多层感知器
11.6 作为普适近似的MLP
11.7 向后传播算法
11.7.1 非线性回归
11.7.2 两类判别式
11.7.3 多类判别式
11.7.4 多个隐藏层
11.8 训练过程
11.8.1 改善收敛性
11.8.2 过分训练
11.8.3 构造网络
11.8.4 线索
11.9 调整网络规模
11.10 学习的贝叶斯观点
11.11 维度归约
11.12 学习时间
11.12.1 时间延迟神经网络
11.12.2 递归网络
11.13 深度学习
11.14 注释
11.15 习题
11.16 参考文献
第12章 局部模型
12.2 竞争学习
12.2.1 在线k均值
12.2.2 自适应共鸣理论
12.2.3 自组织映射
12.3 径向基函数
12.4 结合基于规则的知识
12.5 规范化基函数
12.6 竞争的基函数
12.7 学习向量量化
12.8 混合专家模型
12.8.1 协同专家模型
12.8.2 竞争专家模型
12.9 层次混合专家模型
12.10 注释
12.11 习题
12.12 参考文献
第13章 核机器
13.2 最佳分离超平面
13.3 不可分情况：软边缘超平面
13.4 v-SVM
13.5 核技巧
13.6 向量核
13.7 定义核
13.8 多核学习
13.9 多类核机器
13.10 用于回归的核机器
13.11 用于排名的核机器
13.12 一类核机器
13.13 大边缘最近邻分类
13.14 核维度归约
13.15 注释
13.16 习题
13.17 参考文献
第14章 图方法
14.2 条件独立的典型情况
14.3 生成模型
14.4 d分离
14.5 信念传播
14.5.1 链
14.5.2 树
14.5.3 多树
14.5.4 结树
14.6 无向图：马尔科夫随机场
14.7 学习图模型的结构
14.8 影响图
14.9 注释
14.10 习题
14.11 参考文献
第15章 隐马尔科夫模型
15.2 离散马尔科夫过程
15.3 隐马尔科夫模型
15.4 HMM的三个基本问题
15.5 估值问题
15.6 寻找状态序列
15.7 学习模型参数
15.8 连续观测
15.9 HMM作为图模型
15.10 HMM中的模型选择
15.11 注释
15.12 习题
15.13 参考文献
第16章 贝叶斯估计
16.2 离散分布的参数的贝叶斯估计
16.2.1 K＞2个状态：狄利克雷分布
16.2.2 K＝2个状态：贝塔分布
16.3 高斯分布的参数的贝叶斯估计
16.3.1 一元情况：未知均值，已知方差
16.3.2 一元情况：未知均值，未知方差
16.3.3 多元情况：未知均值，未知协方差
16.4 函数的参数的贝叶斯估计
16.4.1 回归
16.4.2 具有噪声精度先验的回归
16.4.3 基或核函数的使用
16.4.4 贝叶斯分类
16.5 选择先验
16.6 贝叶斯模型比较
16.7 混合模型的贝叶斯估计
16.8 非参数贝叶斯建模
16.9 高斯过程
16.10 狄利克雷过程和中国餐馆
16.11 本征狄利克雷分配
16.12 贝塔过程和印度自助餐
16.13 注释
16.14 习题
16.15 参考文献
重要申明：
本书由书友@锦小书发布分享，仅供学习交流使用，版权归原作者所有。如有侵权，请联系我们删除。
本书由书友@锦小书发布分享，仅供学习交流使用，版权归原作者所有。如有侵权，请联系我们删除。
📖 支持知识自由流动
每一本书的稳定访问，都离不开服务器、存储与带宽的长期维护。
