本书深入浅出地介绍机器学习的基本概念、基础知识和基本原理，不涉及太多、太难的数学知识，用通俗易懂的语言阐述机器学习的理论基础，让读者透彻理解机器学习方法和原理。在实用性方面，基于机器学习的理论基础，结合实例介绍机器学习经典算法，旨在培养学生的计算思维能力，使读者从理论基础和实际应用两个层面全面掌握机器学习的核心技术，知其然且知其所以然，培养学生解决实际问题的能力。

本书是一本浅显易懂的机器学习入门教材，深入浅出地介绍了机器学习的基础理论、模型与经典方法，并适当融入了深度学习的前沿知识。全书共9章，主要内容包括：机器学习概述、回归模型（线性回归、多项式回归、岭回归、套索回归、弹性网络、逻辑斯谛回归、Softmax回归）、k*近邻和kd树算法、支持向量机、贝叶斯分类器与贝叶斯网络、决策树、集成学习（AdaBoost、GBDT、随机森林和特别随机树）、聚类（k均值算法、BIRCH算法、DBSCAN算法、OPTICS算法）、深度学习（卷积神经网络、循环神经网络、生成式对抗网络）。每章都附有小结与习题，便于读者对知识的巩固和融会贯通。本书注重选材，内容丰富，条理清晰，通俗易懂，着重突出机器学习方法的思想内涵和本质，力求反映机器学习领域的核心知识体系和发展趋势。本书可作为高等院校智能科学与技术、数据科学与大数据技术、电子信息类等专业的高年级本科生、研究生的教材或教学参考书，也可供人工智能、数据科学、机器学习相关行业的工程技术人员学习参考。

前言第1章机器学习概述11.1机器学习的概念与基本术语11.2人工智能、机器学习、深度学习三者的关系61.3机器学习的三个基本要素111.4机器学习模型的分类161.5数据预处理241.6模型选择与评估291.7小结431.8习题43第2章回归模型452.1线性回归452.2多项式回归532.3线性回归的正则化——岭回归和套索回归542.4逻辑斯谛回归582.5 Softmax回归612.6小结632.7习题64第3章 k-最近邻和k-d树算法663.1 k-最近邻法663.2 k-d树703.3小结753.4习题76第4章 支持向量机774.1统计学习理论基础774.2支持向量机的基本原理和特点844.3线性SVM904.4基于核函数的非线性SVM954.5多分类SVM964.6支持向量机的训练1004.7小结1044.8习题105第5章 贝叶斯分类器与贝叶斯网络1065.1贝叶斯方法1065.2贝叶斯分类器1135.3贝叶斯网络1195.4小结1285.5习题129第6章 决策树1306.1概述1306.2决策树学习1346.3特征（或属性）选择1356.4 ID3算法1446.5 C4.5算法1456.6CART算法1466.7决策树的剪枝1496.8决策树的优缺点1506.9小结1516.10习题151第7章 集成学习1537.1集成学习概述1537.2 AdaBoost算法1597.3梯度提升决策树（GBDT）1607.4随机森林和特别随机树1637.5小结1667.6习题168第8章 聚类1698.1聚类概述1698.2 k-均值算法1758.3 BIRCH算法1788.4基于密度的聚类算法1838.5小结1908.6习题191第9章 深度学习1929.1人工神经网络基础1929.2卷积神经网络2079.3循环神经网络2189.4生成式对抗网络2269.5小结2389.6习题239附录 缩略语英汉对照240参考文献242