蘇航、李崇軒、謝凌曦等專家傾力推薦；詳解監督學習、無監督學習、概率圖模型、核方法和強化學習等多種高級機器學習算法；所有算法均由PyTorch框架實現，配備實戰環節講解，涵蓋了點擊率預估、變分推斷、高斯過程、深度強化學習等前沿領域。

●前言
第1章 機器學習概述
1.1 機器學習簡介
1.1.1 機器學習的含義
1.1.2 機器學習概述
1.1.3 不同類型的機器學習算法
1.2 數據處理
1.2.1 數據特征分類及表示
1.2.2 數據預處理
1.2.3 數據缺失處理
1.2.4 特征衍生和交叉
1.2.5 特征篩選
1.3 衡量標準
1.3.1 模型評估指標
1.3.2 數據集劃分
1.3.3 超參數優化
1.4 優化目標
1.4.1 損失函數
1.4.2 梯度下降優化
1.4.3 受約束優化：Lagrange函數
1.5 實戰：簡單模型實現Titanic乘客生存概率預測
1.5.1 問題描述與數據特征
1.5.2 簡單屬性分類模型實現預測
第2章 PyTorch基本操作介紹
2.1 PyTorch簡介
2.2 核心概念：Tensor
2.2.1 Tensor基本操作
2.2.2 基本數學運算
2.2.3 索引分片操作
2.2.4 類成員方法
2.3 自動求導（Autograd）
2.3.1 可微分張量
2.3.2 Function：實現自動微分的基礎
2.4 神經網絡核心模塊：torch.nn
2.4.1 nn.Module概述
2.4.2 函數式操作nn.functional
2.5 優化器（optimizer）
2.5.1 optimizer概述
2.5.2 學習率調節
2.5.3 經典優化器介紹
2.6 數據加載
2.6.1 Dataset與DataLoader介紹
2.6.2 預處理變換torchvision.transforms
2.7 高級操作
2.7.1 GPU運算
2.7.2 利用C++實現自定義算子
2.8 實戰：Wide & Deep模型實現Criteo點擊率預估
2.8.1 問題定義與數據特征
2.8.2 Wide & Deep模型介紹
2.8.3 完整實驗流程
第3章 監督學習
3.1 線性回歸（Linear Regression）
3.1.1 小二乘法（Least Square Method）
3.1.2 嶺回歸（Ridge Regression）
3.1.3 貝葉斯線性回歸（Bayesian Linear Regression）
3.2 邏輯回歸（Logistic Regression）
3.2.1 二分類邏輯回歸
3.2.2 多分類Softmax回歸
3.2.3 貝葉斯邏輯回歸（Bayesian Logistic Regression）
3.3 支持向量機（Support Vector Machine，SVM）
3.3.1 線性可分下SVM的定義
3.3.2 利用隨機梯度下降求解
3.3.3 凸優化簡介
3.3.4 SVM對偶問題表示
3.3.5 梯度下降法求解對偶問題
3.3.6 從Hard SVM擴展到Soft SVM
3.3.7 支持向量回歸（Support Vector Regression，SVR）
3.3.8 帶有松弛變量的SVR及對偶優化方法
3.4 決策樹模型（Decision Tree）
3.4.1 構建單個樹模型
3.4.2 集成學習（Ensemble Learning）
3.5 K近鄰算法（K Nearest Neighbors，KNN）
3.6 實戰：復雜模型實現Titanic旅客生存概率預測
3.6.1 Titanic數據集特征處理
3.6.2 多種模型預測性能對比
第4章 無監督學習
4.1 聚類方法（Clustering Method）
4.1.1 KMeans聚類
4.1.2 譜聚類（Spectral Clustering）
4.1.3 聚合聚類（Agglomerative Clustering）
4.2 密度估計（Density Estimation）
4.2.1 高斯混合模型（Gaussian Mixture Model）
4.2.2 期望大化算法（Expectation Maximization，EM）
4.3 降維與嵌入（Dimension Reduction & Embedding）
4.3.1 主成分分析（Principal Component Analysis，PCA）
4.3.2 局部線性嵌入（Locally Linear Embedding，LLE）
4.3.3 隨機鄰居嵌入算法（t-SNE）
4.4 實戰：無監督方法實現異常檢測（Anomaly Detection）
4.4.1 異常檢測問題與應用
4.4.2 實現基於PCA的異常檢測方法
4.4.3 實現基於Mahalanobis距離的異常檢測方法
4.4.4 實現基於聚類的局部異常因子檢測方法
第5章 PyTorch高級機器學習實戰概率圖模型
5.1 有向圖：貝葉斯網絡（Bayesian Network）
5.1.1 有向圖的概率分解
5.1.2 條件獨立性（Conditional Independence）
5.2 無向圖：馬爾可夫隨機場（Markov Random Field，MRF）
5.2.1 無向圖的概率分解
5.2.2 具體應用：圖像去噪（Image Denoising）
5.3 隱馬爾可夫模型（Hidden Markov Model，HMM）
5.3.1 隱馬爾可夫模型介紹
5.3.2 前向後向算法（Forward-Backward Algorithm）
5.3.3 放縮提升運算穩定性
5.3.4 代碼實現
5.4 變分推斷（Variational Inference，VI）
5.4.1 後驗分布優化與ELBO
5.4.2 黑盒變分推斷算法（Black-Box Variational Inference，BBVI）
5.5 蒙特卡羅采樣（Monte Carlo Sampling）
5.5.1 拒絕采樣（Rejection Sampling）
5.5.2 馬爾可夫鏈蒙特卡羅（Markov Chain Monte Carlo）
5.5.3 吉布斯采樣（Gibbs Sampling）
……

本書講解了經典的高級機器學習算法原理與知識，包括常見的監督學習、無監督學習、概率圖模型、核方法、深度神經網絡，以及強化學習等內容，同時更強調動手實踐。所有算法均利用PyTorch計算框架進行實現，並且在各章節配備實戰環節，內容涵蓋點擊率預估、異常檢測、概率圖模型變分推斷、高斯過程超參數優化、深度強化學習智能體訓練等內容。 本書附贈所有案例的源代碼及各類學習資料來源，適合具有一定編程基礎的人工智能愛好者學習，也是相關從業者和研究人員的學習指南。