"擊敗AlphaGo的武林秘籍；贏得人機大戰的必由之路。回答了有關機器學習的六大疑問，淺顯生動，外行也能讀懂。既道出了機器學習的前世今生，又展望了機器學習的未來發展，讓道聽途說的信息止於智者。"

●第1章緒論
1．1引言
1．2基本術語
1．3假設空間
1．4歸納偏好
1．5發展歷程
1．6應用現狀
1．7閱讀材料
習題
參考文獻
休息一會兒
第2章模型評估與選擇
2．1經驗誤差與過擬合
2．2評估方法
2．3性能度量
2．4比較檢驗
2．5偏差與方差
2．6閱讀材料
習題
參考文獻
休息一會兒
第3章線性模型
3．1基本形式
3．2線性回歸
3．3對數幾率回歸
3．4線性判別分析
3．5多分類學習
3．6類別不平衡問題
3．7閱讀材料
習題
參考文獻
休息一會兒
第4章決策樹
4．1基本流程
4．2劃分選擇
4．3剪枝處理
4．4連續與缺失值
4．5多變量決策樹
4．6閱讀材料
習題
參考文獻
休息一會兒
第5章神經網絡
5．模型
5．2感知機與多層網絡
5．3誤差逆傳播算法
5．4全局最小與局部極小
5．5其他常見神經網絡
5．6深度學習
5．7閱讀材料
習題
參考文獻
休息一會兒
第6章支持向量機
6．1間隔與支持向量
6．2對偶問題
6．3核函數
6．4軟間隔與正則化
6．5支持向量回歸
……
第7章貝葉斯分類器
第8章集成學習
第9章聚類
第10章降維與度量學習
第11章特征選擇與稀疏學習
第12章計算學習理論
第13章半監督學習
第14章概率圖模型
第15章規則學習
第16章強化學習
附錄
後記
索引

機器學習是計算機科學的重要分支領域.本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方面.全書共16章，大致分為3個部分：第1部分（第1～3章）介紹機器學習的基礎知識；第2部分（第4～10章）討論一些經典而常用的機器學習方法（決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；第3部分（第11～16章）為進階知識，內容涉及特征選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等.每章都附有習題並介紹了相關閱讀材料，以便有興趣的讀者進一步鑽研探索.本書可作為高等院校計算機、自動化及相關專業的本科生或研究生教材，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考.

周志華 著