本书详细地介绍了机器学习的基本原理，并采用“原理简述+问题实例+实际代码+运行结果”的模式介绍常用算法。全书共11章，主要包括决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维等内容。 李克清，男，博士，教授，苏州大学硕士生导师，中国矿业大学硕士生导师，中国计算机学会会员，江苏省计算机学会监事。 第 1章　导论　11．1　引言　11．2　基本术语　21．3　概念学习与假设空间　31．4　归纳偏好　41．5　经验误差与过拟合　51．6　模型评估与选择　51．7　性能度量　61．8　发展历程　81．9　应用现状　10习题1　11第　2章 Python初步　122．1　Python概述　122．2　NumPy库介绍　122．2．1　ndarray对象　122．2．2　ufunc函数　142．2．3　常用函数库　152．3　Matplotlib库介绍　192．3．1　快速绘制二维图表　192．3．2　Artist对象　212．3．3　配置属性　242．3．4　绘制三维图表　242．4　SciPy库函数　262．4．1　线性代数模块　262．4．2　优化和拟合模块　282．4．3　统计模块　302．4．4　稀疏矩阵模块　322．5　scikit-learn库函数　352．5．1　sklearn．datasets　352．5．2　模型选择与评价　362．5．3　scikit-learn的机器学习　44习题2　46第3章　决策树　483．1　引言　483．1．1　决策树的基本思想　483．1．2　决策树的构造　493．1．3　决策树的算法框架　543．1．4　信息增益　543．2　ID3决策树　573．2．1　ID3算法　573．2．2　ID3的实现　593．3　C4．5决策树　633．3．1　C4．5算法　633．3．2　C4．5的实现　643．4　sklearn与回归树　683．4．1　回归算法原理　683．4．2　最小剩余方差法　693．4．3　剪枝策略　693．4．4　sklearn实现　70习题3　72第4章　神经网络　734．1　引言　734．1．1　人工神经网络的发展历程　734．1．2　人工神经网络的特点　744．1．3　人工神经网络的分类　754．2　神经元模型　754．3　感知机与多层神经网络　774．3．1　感知机　774．3．2　梯度下降法　814．3．3　随机梯度下降法　854．3．4　多层神经网络　864．4　误差反向传播算法　904．4．1　BP神经网络学习算法　904．4．2　BP神经网络实验　934．5　玻耳兹曼机　954．5．1　BM的拓扑结构　964．5．2　BM的学习过程　964．6　综合案例　99习题4　101第5章　支持向量机　1035．1　引言　1035．2　线性分类　1045．2．1　函数间隔与几何间隔　1045．2．2　对偶问题　1075．3　线性支持向量机　1085．4　非线性支持向量机　1115．4．1　核技巧　1115．4．2　sklearn SVC　1135．5　序列最小优化算法　1175．6　综合案例　119习题5　125第6章　贝叶斯分类器　1276．1　引言　1276．2　朴素贝叶斯分类　1286．2．1　朴素贝叶斯算法　1286．2．2　朴素贝叶斯分类算法　1296．2．3　朴素贝叶斯分类算法的Python实现　1316．2．4　sklearn的朴素贝叶斯方法　1356．3　极大似然估计　1376．3．1　EM算法　1386．3．2　EM算法步骤　1406．3．3　三硬币的EM求解　1406．3．4　sklearn的EM方法　1426．4　贝叶斯网络　1466．4．1　贝叶斯网络的构造和学习　1466．4．2　贝叶斯网络应用举例　147习题6　150第7章　集成学习　1527．1　引言　1527．2　Voting　1537．3　Bagging　1567．4　Boosting　1617．4．1　AdaBoost法　1617．4．2　Gradient Boosting　1657．5　综合案例　168习题7　171第8章　聚类　1728．1　引言　1728．1．1　聚类的概念　1728．1．2　典型应用　1728．1．3　常见算法分类　1728．1．4　聚类算法中存在的问题　1738．2　距离计算　1738．2．1　闵可夫斯基距离　1738．2．2　欧几里得距离　1748．2．3　曼哈顿距离　1748．2．4　切比雪夫距离　1758．2．5　皮尔逊相关系数　1758．2．6　余弦相似度　1758．2．7　杰卡德相似系数　1768．3　k-means聚类　1768．3．1　算法思想　1768．3．2　辅助函数　1778．3．3　编程实现k-means算法　1788．3．4　scikit-learn中的k-means方法　1798．3．5　算法评价　1818．3．6　算法改进k-means++　1818．4　密度聚类　1828．4．1　密度聚类算法思想　1828．4．2　DBSCAN算法　1828．4．3　密度峰值聚类　1858．5　层次聚类　1878．5．1　层次聚类思想　1878．5．2　层次聚类实现　1888．6　综合实例　1908．6．1　聚类算法性能比较　1908．6．2　算法总结　193习题8　193第9章　降维　1959．1　引言　1959．1．1　降维的概念　1959．1．2　常见算法分类　1959．2　k-近邻学习　1969．2．1　算法实现　1979．2．2　算法实例　1999．2．3　算法关键　2009．3　主成分分析　2019．3．1　算法思想　2019．3．2　算法实例　2029．4　低维嵌入　2059．4．1　算法原理　2059．4．2　算法实例　2069．4．3　算法评价　2089．5　奇异值分解　2099．5．1　SVD算法原理　2099．5．2　SVD算法及应用示例　2109．6　综合实例　2159．6．1　PCA实例　2159．6．2　SVD实例　218习题9　219第　10章 概率图模型　22110．1　引言　22110．2　马尔科夫过程　22210．2．1　基本概念　22210．2．2　隐马尔科夫模型　22510．3　Viterbi算法　22710．4　综合案例　231习题10　233第　11章 深度学习初步　23511．1　引言　23511．2　表示问题　23511．3　学习问题　23611．4　优化问题　23811．5　认知问题　23811．6　基本模型　23911．6．1　自编码器　23911．6．2　受限玻耳兹曼机　24011．6．3　卷积神经网络　24211．7　TensorFlow的简介与安装　24311．7．1　Python 3环境　24311．7．2　安装TensorFlow　24311．7．3　验证　24311．8　TensorFlow的基本使用　24311．9　基于卷积神经网络的MNIST手写体识别实验　24511．9．1　conv2d