●第1章機器學習概述
1.1機器學習的基本概念
1.2機器學習的基本類別
1.2.1經典機器學習
1.2.2現代機器學習
1.3機器學習的評估指標
1.3.1機器學習三要素
1.3.2評估方法
1.4機器學習典型應用
1.4.1專家繫統
1.4.2語音識別
1.4.3機器翻譯
1.4.4自動駕駛
1.4.5人臉檢測
本章小結
習題
參考文獻
第2章數學基礎知識
2.1矩陣論基礎
2.1.1矩陣代數基礎
2.1.2矩陣方程求解
2.1.3矩陣分析
2.2很優化基礎
2.2.1最小二乘與線性規劃
2.2.2凸優化
2.2.3非線性優化
2.3統計學習基礎
2.3.1條件概率
2.3.2期望與方差
2.3.3優選似然估計
本章小結
習題
參考文獻
第3章線性回歸與分類模型
3.1線性回歸模型
3.1.1線性函數模型
3.1.2偏置與方差分解
3.2貝葉斯線性回歸
3.2.1問題定義
3.2.2問題求解
3.3正則化線性回歸
3.3.1嶺回歸
3.3.2Lasso回歸
3.3.3邏輯回歸
3.4線性分類模型
3.4.1生成式模型與判別式模型
3.4.2線性判別分析
3.4.3廣義線性判別分析
本章小結
習題
參考文獻
第4章特征提取與選擇
4.1經典特征提取方法
4.1.1主成分分析法
4.1.2線性判別方法
4.1.3流形學習方法
4.2經典特征選擇算法
4.2.1特征選擇基本步驟
4.2.2特征選擇搜索策略
4.2.3特征選擇評價準則
4.3稀疏表示與字典學習
4.3.1稀疏表示
4.3.2字典學習
本章小結
習題
參考文獻
第5章決策樹與集成學習
5.1決策樹
5.2經典決策樹算法
5.2.1ID3算法
5.2.2C4.5算法
5.2.3CART算法
5.3決策樹的剪枝
5.3.1預剪枝
5.3.2後剪枝
5.4集成學習
5.4.1Bagging
5.4.2Boosting
5.4.4Stacking
5.4.5深度集成學習
本章小結
習題
參考文獻
第6章支持向量機
6.1支持向量機簡介
6.2線性支持向量機
6.2.1函數間隔與幾何間隔
6.2.2線性可分問題
6.2.3對偶問題
6.3非線性支持向量機
6.3.1核方法
6.3.2常用核函數
6.3.3非線性支持向量分類
6.4支持向量機的應用
本章小結
習題
參考文獻
第7章貝葉斯決策理論
7.1貝葉斯分類器
7.1.1貝葉斯決策理論
7.1.2最小風險貝葉斯決策規則
7.2樸素貝葉斯分類器
7.3貝葉斯網絡
7.4EM算法
本章小結
習題
參考文獻
第8章神經網絡
8.1神經網絡基礎
8.1.1神經網絡發展史
8.1.
8.1.3感知器
8.2卷積神經網絡
8.3前饋神經網絡
8.4反向傳播算法
8.5其他常見神經網絡
8.5.1RBF網絡
8.5.2SOM網絡
8.5.3Hopfield網絡
本章小結
習題
參考文獻
第9章聚類方法
9.1聚類方法概述
9.2K均值聚類
9.3層次聚類
9.4密度聚類
9.4.1DBSCAN算法
9.4.2OPTICS算法
9.4.3MeanShift算法
9.5稀疏子空間聚類
本章小結
習題
參考文獻
第10章半監督學習
10.1半監督學習概述
10.2半監督分類方法
10.2.1增量學習
10.2.2生成式半監督學習
10.2.3半監督支持向量機
10.2.4基於圖的半監督學習
10.2.5基於分歧的半監督學習
10.3半監督聚類方法
本章小結
習題
參考文獻
第11章深度學習
11.1深度學習簡介
11.2深度卷積神經網絡
11.2.1卷積層
11.2.2非線性激活層
11.2.3池化層
11.2.4全連接層
11.3受限玻耳茲曼機（RBM）與深度信念網絡（DBN）
11.3.1玻耳茲曼機
11.3.2受限玻耳茲曼機
11.3.3深度信念網絡
11.4深度自編碼器
11.4.1欠完備自編碼器
11.4.2正則自編碼器
11.4.3自編碼器的應用
11.5循環神經網絡（RNN）與長短期記憶（LSTM）網絡
11.5.1循環神經網絡
11.5.2長短期記憶網絡
本章小結
習題
參考文獻
第12章深度強化學習
12.1任務與獎賞
12.2多臂老虎機
12.2.1守成與探索
12.2.2多臂老虎機問題建模及ε貪婪法
12.3馬爾可夫決策過程（MDP）
12.3.1引入MDP的原因
12.3.2MDP的價值函數
12.3.3狀態價值函數與動作價值函數的關繫
12.3.4很優價值函數
12.4動態規劃
12.5蒙特卡羅法
12.5.1不基於模型的強化學習
12.5.2預測問題
12.5.3控制問題
本章小結
習題
參考文獻
第13章生成對抗網絡
……

機器學習為信息類學科的重要分支。本書作為機器學習入門、進階與本碩博一體式培養教材，繫統論述了機器學習研究的基本內容、概念、算法、應用以及近期新發展。本書共18章，分為機器學習基礎、經典機器學習方法與現代機器學習方法三大部分。機器學習基礎部分為第1、2章，內容為機器學習概述和數學基礎知識；經典機器學習方法部分為第3～10章，內容分別為線性回歸與分類模型、特征提取與選擇、決策樹與集成學習、支持向量機、貝葉斯決策理論、神經網絡、聚類方法和半監督學習等；現代機器學習方法部分為第11～18章，內容涵蓋了近年來新興的與不斷發展的前沿算法，如深度學習、深度強化學習、生成對抗網絡、膠囊網絡、圖卷積神經網絡、自監督學習、遷移學習以及自動機器學習等。本書可作為高等院校通信、電子信息、計算機、信息科學、自動化技術等相關專業本科生與研究生的教材與參考用書，也可作為人工智能、計算機科學、模式識別、控制科學、信息與通等