●第1章 機器學習算法概述
1.1 什麼是機器學習
1.2 機器學習的形式分類
1.2.1 監督式學習
1.2.2 無監督學習
1.2.3 強化學習
1.3 機器學習算法綜覽
1.4 有關術語的約定
小結
第2章 監督式學習算法基礎
2.1 監督式學習基本概念
2.2 經驗損失最小化架構
2.3 監督式學習與經驗損失最小化實例
2.4 正則化算法
小結
習題
第3章 線性回歸算法
3.1 線性回歸基本概念
3.2 線性回歸優化算法
3.3 多項式回歸
3.4 線性回歸的正則化算法
3.5 線性回歸的特征選擇算法
3.5.1 逐步回歸
3.5.2 分段回歸
小結
習題
第4章 機器學習中的搜索算法
4.1 梯度下降算法與次梯度下降算法
4.2 隨機梯度下降算法
4.3 牛頓迭代算法
4.4 坐標下降算法
小結
習題
第5章 Logistic回歸算法
5.1 Logistic回歸基本概念
5.2 Logistic回歸優化算法
5.3 分類問題的度量
5.3.1 準確率
5.3.2 準確率與召回率
5.3.3 ROC曲線及AUC度量
5.4 Softmax回歸
5.4.1 Softmax回歸基本概念
5.4.2 Softmax回歸優化算法
5.4.3 Softmax模型與指數分布族
小結
習題
第6章 支持向量機算法
6.1 支持向量機基本概念
6.1.1 支持向量機思想起源
6.1.2 支持向量機的凸優化描述
6.1.3 支持向量機的對偶
6.2 支持向量機優化算法
6.3 核方法
6.4 軟間隔支持向量機
6.4.1 軟間隔支持向量機基本概念
6.4.2 軟間隔支持向量機優化算法
6.4.3 Hinge損失與軟間隔支持向量機
小結
習題
第7章 決策樹
7.1 決策樹的基本概念
7.2 決策樹優化算法
7.2.1 決策樹回歸問題的CART算法
7.2.2 決策樹分類問題的CART算法
7.3 CART算法實現及應用
7.3.1 決策樹CART算法基類
7.3.2 決策樹回歸問題的CART算法的實現及應用
7.3.3 決策樹分類問題的CART算法的實現及應用
7.4 集成學習算法
7.4.1 隨機森林分類算法
7.4.2 隨機森林回歸算法
7.5 梯度提升決策樹回歸算法
小結
習題
第8章 神經網絡
8.1 神經網絡基本概念
8.1.1 神經網絡模型
8.1.2 神經網絡算法描述
8.2 神經網絡優化算法
8.3 神經網絡算法實現
8.4 神經網絡的TensorFlow實現
小結
習題
第9章 深度學習
9.1 卷積神經網絡
9.1.1 濾鏡
9.1.2 卷積層
9.1.3 卷積神經網絡的實現
9.2 循環神經網絡
9.2.1 循環神經網絡基本概念
9.2.2 循環神經網絡的實現
9.2.3 時間反向傳播算法
9.2.4 長短時記憶基本概念
9.2.5 長短時記憶的實現
小結
習題
第10章 降維算法
10.1 主成分分析法
10.1.1 算法思想
10.1.2 算法實現
10.1.3 奇異值分解
10.2 主成分分析的核方法
10.2.1 主成分分析法的等價形式
10.2.2 核方法算法描述
10.2.3 核方法算法實現
10.3 線性判別分析法
10.3.1 算法思想
10.3.2 算法實現
10.4 流形降維算法
10.4.1 局部線性嵌入法
10.4.2 多維縮放法
10.5 自動編碼器
小結
習題
第11章 聚類算法
11.1 k均值算法
11.2 合並聚類算法
11.3 DBSCAN算法
小結
習題
第12章 強化學習
12.1 強化學習基本概念
12.1.1 馬爾可夫環境模型
12.1.2 策略
12.2 動態規劃型算法
12.2.1 值迭代算法
12.2.2 策略迭代算法
12.3 時序差分型算法
12.4 深度Q神經網絡
12.5 策略梯度型算法
12.5.1 REINFORCE算法
12.5.2 Actor-Critic算法
小結
習題
附錄A 機器學習數學基礎
A.1 線性代數
A.2 微積分
A.3 優化理論
A.3.1 凸函數的定義及判定
A.3.2 無約束凸優化問題
A.3.3 帶約束凸優化問題
A.4 概率論簡介
附錄B Python語言與機器學習工具庫
B.1 Python語言基礎
B.2 SciPy工具庫
B.2.1 NumPy簡介
B.2.2 Matplotlib簡介
B.2.3 Pandas簡介
B.3 Sklearn簡介
B.4 TensorFlow簡介
附錄C 本書使用的數據集
參考文獻

機器學習是計算機智能圍棋博弈繫統、無人駕駛汽車和工業界人工智能助理等新興技術的靈魂，特別是深度學習理論更是諸多高精尖人工智能技術的核心。掌握機器學習理論與實踐技術是學習現代人工智能科學最重要的一步。
本書既講述機器學習算法的理論分析，也結合具體應用介紹它們在Python中的實現及使用方法。本書的第2到第9章主要介紹監督式學習算法。其中包括：監督式學習算法基礎、線性回歸算法、機器學習中的搜索算法、Logistic回歸算法、支持向量機算法、決策樹、神經網絡和深度學習。隨後，在第10與11這兩章，著重介紹無監督學習算法。其中包括：降維算法和聚類算法。第12章中講述強化學習的相關知識。在本書的附錄中還提供了學習本書推薦的數學基礎知識和Python語言與機器學習工具庫基本知識。
與其他機器學習類書籍相比，本書同時包含機器學習的算法理論和算法實踐。希望通過課程的學習，讀者能等

王磊,王曉東 著