内容简介
本书系统地介绍了机器学习的基本概念、主要算法和应用实践，内容涵盖监督学习、无监督学习、半监督学习以及强化学习等主要范式。书中不仅深入讲解了线性回归、逻辑回归、决策树、支持向量机、神经网络等经典模型，还介绍了集成学习、聚类分析、降维方法、特征工程等关键技术，并通过大量实例展示了机器学习在文本分类、图像识别、推荐系统等领域的实际应用。
全书结构清晰，循序渐进，既注重理论基础的严谨性，又强调实际操作的可行性。每章都配有丰富的案例和练习，帮助读者加深理解并掌握机器学习算法的实现细节。无论是初学者还是有一定基础的读者，都能从中获得系统的知识体系和实用的工程经验。
作为一本权威的机器学习教材，本书适合作为高等院校计算机科学、人工智能及相关专业的教学用书，也适合从事数据科学和人工智能研发的工程技术人员参考。通过对本书的学习，读者将能够独立完成从数据预处理、模型训练到性能评估的全过程，为解决实际问题提供有效支持。
目录
1.1 学习问题的标准描述
1.2 设计一个学习系统
1.3 机器学习的一些观点和问题
1.4 如何阅读本书
1.5 小结和补充读物
习题
第2章 概念学习和一般到特殊序
2.1 简介
2.2 概念学习任务
2.3 作为搜索的概念学习
2.4 FIND-S：寻找极大特殊假设
2.5 变型空间和候选消除算法
2.6 关于变型空间和候选消除的说明
2.7 归纳偏置
2.8 小结和补充读物
习题
第3章 决策树学习
3.1 简介
3.2 决策树表示法
3.3 决策树学习的适用问题
1.2 设计一个学习系统
1.3 机器学习的一些观点和问题
1.4 如何阅读本书
1.5 小结和补充读物
习题
第2章 概念学习和一般到特殊序
2.1 简介
2.2 概念学习任务
2.3 作为搜索的概念学习
2.4 FIND-S：寻找极大特殊假设
2.5 变型空间和候选消除算法
2.6 关于变型空间和候选消除的说明
2.7 归纳偏置
2.8 小结和补充读物
习题
第3章 决策树学习
3.1 简介
3.2 决策树表示法
3.3 决策树学习的适用问题
3.4 基本的决策树学习算法
3.5 决策树学习中的假设空间搜索
3.6 决策树学习的归纳偏置
3.7 决策树学习的常见问题
3.8 小结和补充读物
习题
第4章 人工神经网络
4.1 简介
4.2 神经网络表示
4.3 适合神经网络学习的问题
4.4 感知器
4.5 多层网络和反向传播算法
4.6 反向传播算法的说明
4.7 举例：人脸识别
4.8 人工神经网络的高级课题
4.9 小结和补充读物
习题
第5章 评估假设
5.1 动机
5.2 估计假设精度
5.3 采样理论基础
5.4 推导置信区间的一般方法
5.5 两个假设错误率间的差异
5.6 学习算法比较
5.7 小结和补充读物
习题
第6章 贝叶斯学习
6.1 简介
6.2 贝叶斯法则
6.3 贝叶斯法则和概念学习
6.4 极大似然和最小误差平方假设
6.5 用于预测概率的极大似然假设
6.6 最小描述长度准则
6.7 贝叶斯最优分类器
6.8 GIBBS 算法
6.9 朴素贝叶斯分类器
6.10 举例：学习分类文本
6.11 贝叶斯信念网
6.12 EM 算法
6.13 小结和补充读物
习题
第7章 计算学习理论
7.1 简介
7.2 可能学习近似正确假设
7.3 有限假设空间的样本复杂度
7.4 无限假设空间的样本复杂度
7.5 学习的出错界限模型
7.6 小结和补充读物
习题
第8章 基于实例的学习
8.1 简介
8.2 k-近邻算法
8.3 局部加权回归
8.4 径向基函数
8.5 基于案例的推理
8.6 对消极学习和积极学习的评论
8.7 小结和补充读物
习题
第9章 遗传算法
9.1 动机
9.2 遗传算法
9.3 举例
9.4 假设空间搜索
9.5 遗传编程
9.6 进化和学习模型
9.7 并行遗传算法
9.8 小结和补充读物
习题
第10章 学习规则集合
10.1 简介
10.2 序列覆盖算法
10.3 学习规则集：小结
10.4 学习一阶规则
10.5 学习一阶规则集：FOIL
10.6 作为逆演绎的归纳
10.7 逆归纳
10.8 小结和补充读物
习题
第11章 分析学习
11.1 简介
11.2 用完美的领域理论学习：PROLOG-EBG
11.3 对基于解释的学习的说明
11.4 搜索控制知识的基于解释的学习
11.5 小结和补充读物
习题
第12章 归纳和分析学习的结合
12.1 动机
12.2 学习的归纳-分析途径
12.3 使用先验知识得到初始假设
12.4 使用先验知识改变搜索目标
12.5 使用先验知识来扩展搜索算子
12.6 研究现状
12.7 小结和补充读物
习题
第13章 增强学习
13.1 简介
13.2 学习任务
13.3 Q 学习
13.4 非确定性回报和动作
13.5 时间差分学习
13.6 从样例中泛化
13.7 与动态规划的联系
13.8 小结和补充读物
习题
附录 符号约定
3.5 决策树学习中的假设空间搜索
3.6 决策树学习的归纳偏置
3.7 决策树学习的常见问题
3.8 小结和补充读物
习题
第4章 人工神经网络
4.1 简介
4.2 神经网络表示
4.3 适合神经网络学习的问题
4.4 感知器
4.5 多层网络和反向传播算法
4.6 反向传播算法的说明
4.7 举例：人脸识别
4.8 人工神经网络的高级课题
4.9 小结和补充读物
习题
第5章 评估假设
5.1 动机
5.2 估计假设精度
5.3 采样理论基础
5.4 推导置信区间的一般方法
5.5 两个假设错误率间的差异
5.6 学习算法比较
5.7 小结和补充读物
习题
第6章 贝叶斯学习
6.1 简介
6.2 贝叶斯法则
6.3 贝叶斯法则和概念学习
6.4 极大似然和最小误差平方假设
6.5 用于预测概率的极大似然假设
6.6 最小描述长度准则
6.7 贝叶斯最优分类器
6.8 GIBBS 算法
6.9 朴素贝叶斯分类器
6.10 举例：学习分类文本
6.11 贝叶斯信念网
6.12 EM 算法
6.13 小结和补充读物
习题
第7章 计算学习理论
7.1 简介
7.2 可能学习近似正确假设
7.3 有限假设空间的样本复杂度
7.4 无限假设空间的样本复杂度
7.5 学习的出错界限模型
7.6 小结和补充读物
习题
第8章 基于实例的学习
8.1 简介
8.2 k-近邻算法
8.3 局部加权回归
8.4 径向基函数
8.5 基于案例的推理
8.6 对消极学习和积极学习的评论
8.7 小结和补充读物
习题
第9章 遗传算法
9.1 动机
9.2 遗传算法
9.3 举例
9.4 假设空间搜索
9.5 遗传编程
9.6 进化和学习模型
9.7 并行遗传算法
9.8 小结和补充读物
习题
第10章 学习规则集合
10.1 简介
10.2 序列覆盖算法
10.3 学习规则集：小结
10.4 学习一阶规则
10.5 学习一阶规则集：FOIL
10.6 作为逆演绎的归纳
10.7 逆归纳
10.8 小结和补充读物
习题
第11章 分析学习
11.1 简介
11.2 用完美的领域理论学习：PROLOG-EBG
11.3 对基于解释的学习的说明
11.4 搜索控制知识的基于解释的学习
11.5 小结和补充读物
习题
第12章 归纳和分析学习的结合
12.1 动机
12.2 学习的归纳-分析途径
12.3 使用先验知识得到初始假设
12.4 使用先验知识改变搜索目标
12.5 使用先验知识来扩展搜索算子
12.6 研究现状
12.7 小结和补充读物
习题
第13章 增强学习
13.1 简介
13.2 学习任务
13.3 Q 学习
13.4 非确定性回报和动作
13.5 时间差分学习
13.6 从样例中泛化
13.7 与动态规划的联系
13.8 小结和补充读物
习题
附录 符号约定
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。
