更多编程方面的经典高清PDF好书请浏览：

https://guonetnet.ctfile.com/shared/folder_21150501_e7e3f8a3/

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。

本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

周志华，南京大学计算机系教授，ACM杰出科学家，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任，中国人工智能学会机器学习专业委员会主任，IEEE计算智能学会数据挖掘技术委员会副主席。

目录

第1章 1

1.1 引言  1

1.2 基本术 2

1.3 假设空间 4

1.4 归纳偏好  6

1.5 发展历程 10

1.6 应用现状 13

1.7 阅读材料 16

习题 19

参考文献 20

休息一会儿 22

第2章 模型评估与选择  23

2.1 经验误差与过拟合  23

2.2 评估方法  24

2.2.1 留出法  25

2.2.2 交叉验证法  26

2.2.3 自助法  27

2.2.4 调参与最终模型  28

2.3 性能度量  28

2.3.1 错误率与精度  29

2.3.2 查准率、查全率与F1  30

2.3.3 ROC与AUC  33

2.3.4 代价敏感错误率与代价曲线  35

2.4 比较检验  37

2.4.1 假设检验  37

2.4.2 交叉验证t检验  40

2.4.3 McNemar检验  41

2.4.4 Friedman检验与后续检验  42

2.5 偏差与方差  44

2.6 阅读材料  46

习题  48

参考文献  49

休息一会儿  51

第3章   线性模型  53

3.1 基本形式  53

3.2 线性回归  53

3.3 对数几率回归  57

3.4 线性判别分析  60

3.5 多分类学习  63

3.6 类别不平衡问题  66

3.7 阅读材料  67

习题     69

参考文献     70

休息一会儿     72

第4章   决策树  73

4.1 基本流程  73

4.2 划分选择  75

4.2.1 信息增益  75

4.2.2 增益率  77

4.2.3 基尼指数  79

4.3 剪枝处理  79

4.3.1 预剪枝  80

4.3.2 后剪枝  82

4.4 连续与缺失值  83

4.4.1 连续值处理  83

4.4.2 缺失值处理  85

4.5 多变量决策树  88

4.6 阅读材料  92

习题     93

参考文献     94

休息一会儿     95

第5章  神经网络  97

5.1 神经元模型  97

5.2 感知机与多层网络  98

5.3 误差逆传播算法  101

5.4 全局最小与局部极小  106

5.5 其他常见神经网络  108

5.5.1 RBF网络  108

5.5.2 ART网络  108

5.5.3 SOM网络  109

5.5.4 级联相关网络  110

5.5.5 Elman网络  111

5.5.6 Boltzmann机  111

5.6 深度学习  113

5.7 阅读材料  115

习题     116

参考文献     117

休息一会儿     120

第6章  支持向量机  121

6.1 间隔与支持向量  121

6.2 对偶问题  123

6.3 核函数  126

6.4 软间隔与正则化  129

6.5 支持向量回归  133

6.6 核方法  137

6.7 阅读材料  139

习题     141

参考文献     142

休息一会儿     145

第7章   贝叶斯分类器  147

7.1 贝叶斯决策论  147

7.2 极大似然估计  149

7.3 朴素贝叶斯分类器  150

7.4 半朴素贝叶斯分类器  154

7.5 贝叶斯网  156

7.5.1 结构  157

7.5.2 学习  159

7.5.3 推断  161

7.6 EM算法  162

7.7 阅读材料  164

习题     166

参考文献     167

休息一会儿     169

第8章   集成学习  171

8.1 个体与集成  171

8.2 Boosting  173

8.3 Bagging与随机森林  178

8.3.1 Bagging  178

8.3.2 随机森林  179

8.4 结合策略  181

8.4.1 平均法  181

8.4.2 投票法  182

8.4.3 学习法  183

8.5 多样性  185

8.5.1 误差--分歧分解  185

8.5.2 多样性度量  186

8.5.3 多样性增强  188

8.6 阅读材料  190

习题     192

参考文献     193

休息一会儿     196

第9章    聚类  197

9.1 聚类任务  197

9.2 性能度量  197

9.3 距离计算  199

9.4 原型聚类  202

9.4.1 k均值算法  202

9.4.2 学习向量量化  204

9.4.3 高斯混合聚类  206

9.5 密度聚类  211

9.6 层次聚类  214

9.7 阅读材料  217

习题     220

参考文献     221

休息一会儿     224

第10章   降维与度量学习  225

10.1 k近邻学习  225

10.2 低维嵌入  226

10.3 主成分分析  229

10.4 核化线性降维  232

10.5 流形学习  234

10.5.1 等度量映射  234

10.5.2 局部线性嵌入  235

10.6 度量学习  237

10.7 阅读材料  240

习题     242

参考文献     243

休息一会儿     246

第11章  特征选择与稀疏学习  247

11.1 子集搜索与评价  247

11.2 过滤式选择  249

11.3 包裹式选择  250

11.4 嵌入式选择与L$_1$正则化  252

11.5 稀疏表示与字典学习  254

11.6 压缩感知  257

11.7 阅读材料  260

习题     262

参考文献     263

休息一会儿     266

第12章  计算学习理论  267

12.1 基础知识  267

12.2 PAC学习  268

12.3 有限假设空间  270

12.3.1 可分情形  270

12.3.2 不可分情形  272

12.4 VC维  273

12.5 Rademacher复杂度  279

12.6 稳定性  284

12.7 阅读材料  287

习题     289

参考文献     290

休息一会儿     292

第13章   半监督学习  293

13.1 未标记样本  293

13.2 生成式方法  295

13.3 半监督SVM  298

13.4 图半监督学习  300

13.5 基于分歧的方法  304

13.6 半监督聚类  307

13.7 阅读材料  311

习题     313

参考文献     314

休息一会儿     317

第14章  概率图模型  319

14.1 隐马尔可夫模型  319

14.2 马尔可夫随机场  322

14.3 条件随机场  325

14.4 学习与推断  328

14.4.1 变量消去  328

14.4.2 信念传播  330

14.5 近似推断  331

14.5.1 MCMC采样  331

14.5.2 变分推断  334

14.6 话题模型  337

14.7 阅读材料  339

习题     341

参考文献     342

休息一会儿     345

第15章  规则学习  347

15.1 基本概念  347

15.2 序贯覆盖  349

15.3 剪枝优化  352

15.4 一阶规则学习  354

15.5 归纳逻辑程序设计  357

15.5.1 最小一般泛化  358

15.5.2 逆归结  359

15.6 阅读材料  363

习题     365

参考文献     366

休息一会儿     369

第16章   强化学习  371

16.1 任务与奖赏  371

16.2 $K$-摇臂赌博机  373

16.2.1 探索与利用  373

16.2.2 $\epsilon $-贪心  374

16.2.3 Softmax  375

16.3 有模型学习  377

16.3.1 策略评估  377

16.3.2 策略改进  379

16.3.3 策略迭代与值迭代  381

16.4 免模型学习  382

16.4.1 蒙特卡罗强化学习  383

16.4.2 时序差分学习  386

16.5 值函数近似  388

16.6 模仿学习  390

16.6.1 直接模仿学习  391

16.6.2 逆强化学习  391

16.7 阅读材料  393

习题     394

参考文献     395

休息一会儿     397

附录  399

A 矩阵  399

B 优化  403

C 概率分布  409

后记  417

索引  419