本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者。

本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者阅读。
机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。
机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最快捷的办法还是带着机器学习的具体问题来掌握背后的数学原理。因为线性代数和概率理论使用较多，本书在最后两章集中把重要的一些概率论和线性代数的内容加以介绍，如果有需要的同学可以参考。另外，学习任何知识，动手练习加深理解的优选方法，所以本书的每一章都配备了习题供大家实践和练习。

第1章引论1
1.1什么是机器学习1
1.2多项式逼近函数3
1.3多项式Remez算法6
习题10
第2章感知机模型11
2.1分类问题的刻画11
2.2线性规划15
习题21
第3章线性回归23
3.1最小二乘法原理23
3.2多元高斯分布模型25
3.3误差和方差26
3.4岭回归和Lasso回归28
习题30
第4章逻辑回归31
4.1逻辑回归概述31
4.2多重分类线性模型和非线性模型34
习题35
第5章决策树模型37
5.1离散型数据37
5.2熵和决策树的建立39
5.3剪枝41
5.4连续型数据42
5.5CART树43
习题46
……