本书从实用的角度，对机器学习、深度学习的基本理论和基本方法进行了详细的介绍，对广泛应用的经典方法给出了Python语言实现，并提供了典型应用示例。本书主要内容包括：机器学习概述、机器学习的统计学基础、机器学习的常用Python库、机器学习的基本流程、回归、分类（Logistic回归和最大熵模型、决策树、贝叶斯分类器、支持向量机、集成学习）、聚类分析、降维、神经网络、深度学习。本书的形式特点是兼顾了机器学习的理论基础、模型算法、开发工具及应用，兼顾了既想了解机器学习理论又想通过Python编程实现机器学习算法的读者。读者通过本书的学习，能够真正地掌握机器学习理论和技术的精髓并能用其解决实际问题。部分章节配有习题，以指导读者深入地进行学习。 本书是一本面向高等院校理工科各专业的宽口径、综合性的机器学习与应用的教材，既可作为高校高年级本科生和研究生的教材，也可作为相关方向科技人员、工程师的技术参考书。

王军，教授，沈阳化工大学计算机科学与技术学院院长。全国优秀创新创业导师；辽宁省百千万人才百人层次；辽宁省高等学校创新人才；辽宁省高校优秀导师标兵；沈阳市领军人才；沈阳市优秀研究生导师。中科院沈阳计算所兼职合作博士生导师；省软件产业校企联盟理事；沈阳市科技评审专家；省科技评审专家。

前言
第1章机器学习概述
11机器学习的概念和分类
111机器学习的定义与三要素
112基于学习策略的分类
113基于学习方式的分类
12机器学习的发展历程
121符号推理
122统计机器学习
123深度学习
124强化学习
125自主学习
13机器学习的应用
131计算机视觉
132自然语言处理
133多模态
134推荐系统
135医疗和生物信息学
136自动驾驶
137时间序列分析
第2章机器学习的统计学基础
21概率与条件概率
211随机事件与概率定义
212概率的加法定理
213条件概率与概率的乘法定理
214全概率公式与贝叶斯公式
22随机变量的分布
221离散随机变量与分布
222连续随机变量与分布
223随机变量函数的分布
224二维随机变量与分布
225二维随机变量函数的分布
23随机变量的数字特征
231数学期望
232方差与标准差
233原点矩与中心矩
234协方差与相关系数
235切比雪夫不等式与大数定律
24正态分布与中心极限定理
241正态分布
242二维正态分布
243中心极限定理
25样本与抽样分布
251总体与样本
252样本函数与统计学
253数理统计中的常见分布
第3章机器学习的常用Python库
31NumPy
311NumPy概述
312ndarray数组的基础
313ndarray数组的访问
314ndarray数组的运算
315ndarray数组与线性代数
32Pandas
321Pandas概述
322Series
323DataFrame
324Pandas读写数据
325Pandas数据处理与分析
33Matplotlib
331Matplotlib概述
332Pyplot
333Figure
334Axes
34Scikit-learn
341Scikit-learn概述
342样例数据集
343数据预处理
344特征选择
345模型选择
346度量指标
35TensorFlow
351TensorFlow概述
352数据类型
353张量
354索引与切片
355维度变换
356广播
36PyTorch
361PyTorch概述
362张量
363PyTorch构建神经网络
364PyTorch构建复杂应用
37习题
第4章机器学习的基本流程
41数据预处理
411数据收集与预处理
412特征工程
413特征集与标签集
414训练集、测试集与验证集
42模型构建与模型训练
421模型结构
422超参数
423损失函数
424权值优化
43模型选择与评估
431过拟合与欠拟合
432正则化
433交叉验证
434训练误差与测试误差
435模型评估的性能指标
44习题
第5章回归
51线性回归
511回归分析与最小二乘法
512一元线性回归
513多元线性回归
514线性回归的实现
52多项式回归
521多项式回归的一般形式
522多项式回归的实现
53岭回归和Lasso回归
531岭回归模型
532Lasso回归模型
533岭回归和Lasso回归的实现
54决策树与随机森林回归
541决策树回归模型的原理
542随机森林回归模型的原理
543随机森林回归的实现
55案例：预测房屋的价格
551问题定义
552回归模型的设计
553回归模型的实现
56习题
第6章分类：Logistic回归和最大熵模型
61Logistic回归模型
611Logistic回归模型的原理
612Logistic回归用于求解二分类和多分类问题
613Logistic回归求解二分类问题的实现
62最大熵模型
621最大熵模型的原理
622最大熵模型用于求解多分类问题
623最大熵模型求解多分类问题的实现
63案例：鸢尾花品种分类
631问题定义
632基于Logistic回归模型和最大熵模型的鸢尾花品种分类模型的设计
633模型的实现
64习题
第7章分类：决策树
71决策树分类模型
711决策树分类模型的原理
712ID3算法
713C45算法
714CART算法
72决策树剪枝处理
721预剪枝
722后剪枝
73案例：信用评估分类
731问题定义
732基于决策分类树的信用评估模型设计
733模型的实现
74习题
第8章分类：贝叶斯分类器
81朴素贝叶斯分类器
811朴素贝叶斯分类模型的原理
812高斯朴素贝叶斯分类模型
813多项式朴素贝叶斯分类模型
814伯努利朴素贝叶斯分类模型
815半朴素贝叶斯分类模型的原理
816朴素贝叶斯分类模型的实现
82贝叶斯网络
821贝叶斯网络分类模型的原理
822贝叶斯网络分类模型的实现
83案例：垃圾邮件分类
831问题定义
832基于朴素贝叶斯的垃圾邮件分类模型的设计
833模型的实现
84习题
第9章分类：支持向量机
91线性SVM
911VC维理论
912线性SVM分类模型的原理
913线性SVM分类模型的实现
92非线性SVM
921非线性SVM分类模型的原理
922非线性SVM分类模型的实现
93案例：手写数字识别
931问题定义
932SVM分类模型的设计
933模型的实现
94习题
第10章分类：集成学习
101集成学习的原理
1011个体学习器
1012Boosting方法
1013Bagging方法
1014结合策略
102AdaBoost
1021AdaBoost算法的原理
1022AdaBoost算法的实现
103XGBoost
1031XGBoost算法的原理
1032XGBoost算法的实现
104随机森林
1041随机森林分类模型的原理
1042随机森林分类模型的实现
105案例：情感分析
1051问题定义
1052基于集成学习的情感分析模型的设计
1053模型的实现
106习题
第11章聚类分析
111聚类概述
1111聚类分析与无监督学习
1112聚类算法的类型
1113评估指标
112基于原型的聚类
1121k-means算法
1122k-medoids算法
1123基于原型的聚类算法的实现
113基于密度的聚类
1131DBSCAN算法
1132OPTICS算法
1133DPC算法
1134基于密度的聚类算法的实现
114基于层次的聚类
1141合并的层次聚类算法
1142分裂的层次聚类算法
1143基于层次的聚类算法的实现
115案例：异常检测
1151问题定义
1152聚类算法的设计
1153算法的实现
116习题
第12章降维
121维数灾难
1211维数灾难的定义
1212维数灾难与过拟合
122PCA算法
123SVD算法
1231SVD算法的原理
1232SVD算法的实现
124LDA算法
1241LDA算法的原理
1242LDA算法的实现
125案例：基于常见降维算法的人脸识别
1251问题定义
1252降维算法的设计
1253人脸识别算法的实现
1254降维算法在人脸识别中的应用
126习题
第13章神经网络
131神经网络的基本结构
1311神经网络概述
1312神经元
1313激活函数
1314感知机
132神经网络的构建
1321反向传播
1322损失函数
1323优化器
1324初始化
1325正则化
133常用神经网络
1331前馈神经网络
1332卷积神经网络
1333循环神经网络
134案例：图像分类
1341问题定义
1342基于卷积神经网络的图像分类模型的设计
1343模型的实现
135习题
第14章深度学习
141深度学习中的优化与正则化
1411SGD算法
1412动量SGD算法
1413自适应学习率算法
1414Dropout正则化
1415批归一化
1416层归一化
142生成对抗网络
1421生成对抗网络的基本结构
1422生成对抗网络的实现
143自编码器
1431自编码器的基本结构
1432自编码器的实现
144注意力机制与Transformer
1441注意力机制原理
1442序列到序列模型
1443Transformer的基本结构
1444Transformer的实现
145案例：自然语言理解与生成
1451问题定义
1452基于Transformer的自然语言理解与生成模型的设计
1453模型的实现
146习题
参考文献