的重要分支范畴。 本书作为该范畴的入门教材，在内容上尽可能包括机器学习基础常识的各方面。 为了使尽可能多的读者经过本书对机器学习知道， 作者企图尽可能少地运用数学常识。 但是， 少数的概率、核算、代数、优化、逻辑常识好像不可避免。 因而， 本书更适合大学三年级以上的理工科本科生和研究生， 以及具有相似布景的对机器学 习感爱好的人士。 为便利读者， 本书附录给出了一些相关数学基础常识简介。

　　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常识；第2 部分（第4～10 章）评论一些经典而常用的机器学习方法（决策树、神经网络、支撑向量机、贝叶斯分类器、集成学习、聚类、降维与衡量学习）；第3 部分（第11～16 章）为进阶常识，内容触及特征挑选与稀少学习、核算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。前3章之外的后续各章均相对独立， 读者可经过你自己的爱好和时刻状况挑选运用。 依据课时状况， 一个学期的本科生课程可考虑教学前9章或前10章; 研究生课程则无妨运用全书。

　　书中除第1章外， 每章都给出了十道习题。 有的习题是协助读者稳固本章学习， 有的是为了引导读者扩展相关常识。 一学期的一般课程可运用这一些习题， 再辅以两到三个针对详细数据集的大作业。 带星号的习题则有适当难度， 有些并无现成答案， 谨供赋有进取心的读者启示考虑。

　　本书可作为高等院校核算机、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爱好的研究人员和工程技术人员阅览参阅。