本书全面系统地介绍机器学习的经典方法、前沿技术和应用实践。全书分为基础篇、进阶篇和实践篇，共10章，主要内容包括绪论、学习模式、判别式模型、生成式模型、高级机器学习概述、特征表示学习、新兴学习机制概述、主流机器学习编程框架、人脸识别、灾害性天气预报。
本书坚持理论联系实际，兼顾经典与前沿，为读者由浅入深地构建机器学习的知识体系。其中，理论部分均给出严谨的数学推导，实践部分则注重阐述实施路径和实现代码，以让读者更好地掌握机器学习的理论与应用技术。
本书可作为高等院校人工智能、计算机科学与技术、大数据科学与技术等专业的教材，也可供计算机工程领域的技术人员学习使用，还可作为人工智能相关领域研究人员的参考书。
（1）经典方法与前沿技术相结合：按照判别式学习和生成式学习两种模式系统介绍经典机器学习方法，同时也讲述了图数据表示学习和大模型等新型学习机制，有利于读者更加系统、全面地认知和理解机器学习方法。
（2）理论模型与场景实践相结合：即重视机器学习方法的理论模型和核心算法，也注重机器学习方法在实际场景中的应用技术，理论部分给出严格的数学推导，实践部分阐述实施路径和实现代码，促进读者理论联系实践。
（3）纸质媒介与数字资源相结合：配套知识图谱、微视频、课程案例和习题库等数字资源的建设，便利读者随时随地学习。
（4）配套丰富的教学资源和项目实操案例，便于教师开展教学工作。
李清勇，博士，教授，博士生导师，北京市青年教学名师、北京市青年岗位能手、詹天佑未来技术学院副院长，北京交通大学计算机与信息技术学院副院长。 专注于人工智能领域的理论和应用研究，主要研究方向包括计算机视觉、数据挖掘、智能交通和遥感影像分析等。致力于IT拔尖人才培养，担任全国高等学校计算机教育研究会理事。多年担任ACM国际大学生程序设计竞赛北京交通大学代表队主教练/共同教练，曾5次晋级全球总决赛并获排名奖状。主持国家级线上一流本科课程（“算法设计与问题求解”），曾获国家教学成果奖二等奖，北京市教学成果奖一等奖和二等奖等奖励。
第 1章 绪论 1
1.1 引言 1
1.2 基本概念 2
1.3 概率基础 4
1.3.1 概率定义 4
1.3.2 重要概念 5
1.3.3 随机变量与概率分布 6
1.3.4 贝叶斯定理 8
1.3.5 随机变量的数字特征 9
1.3.6 常见概率分布 11
1.4 发展历程 13
1.5 本章小结 15
1.6 习题 15
第 2章 学习模式 17
2.1 学习模式的类型 17
2.1.1 判别式学习 17
2.1.2 生成式学习 18
2.2 判别式学习基础 18
2.2.1 线性模型与非线性模型 19
2.2.2 经验风险最小化 19
2.2.3 结构风险最小化 20
2.3 生成式学习基础 21
2.3.1 贝叶斯推断 21
2.3.2 最大似然估计 22
2.3.3 马尔科夫链蒙特卡洛方法 24
2.3.4 变分推断 25
2.4 模型的评估与选择 27
2.4.1 偏差与方差 27
2.4.2 泛化能力 28
2.4.3 VC维 29
2.4.4 正则化与交叉验证 29
2.5 本章小结 31
2.6 习题 31
第3章 判别式模型 32
3.1 线性模型 32
3.1.1 线性回归 32
3.1.2 线性判别分析 33
3.1.3 感知机 34
3.1.4 Logistic 回归 35
3.2 决策树 36
3.2.1 基本学习流程 36
3.2.2 特征选择 37
3.2.3 决策树的生成 38
3.3 神经网络 40
3.3.1 神经元模型与多层网络 40
3.3.2 误差反向传播算法 41
3.3.3 常见神经网络 42
3.4 K近邻 45
3.4.1 K近邻算法 45
3.4.2 K近邻模型 45
3.4.3 K近邻实现 47
3.5 支持向量机 48
3.5.1 基本概念 48
3.5.2 支持向量机模型 50
3.5.3 支持向量机实现 54
3.6 Boosting 56
3.6.1 AdaBoost算法 56
3.6.2 提升树算法 59
3.6.3 梯度提升算法 61
3.7 条件随机场 62
3.7.1 基本概念 62
3.7.2 条件随机场模型 63
3.7.3 学习和推断算法 65
3.8 判别式聚类 68
3.8.1 K-均值聚类 69
3.8.2 谱聚类 71
3.8.3 层次聚类 72
3.9 本章小结 76
3.10 习题 76
第4章 生成式模型 77
4.1 朴素贝叶斯 77
4.1.1 基本方法 77
4.1.2 后验概率最大化准则 78
4.1.3 极大似然估计和贝叶斯估计 79
4.2 贝叶斯网络 81
4.2.1 条件独立性 81
4.2.2 贝叶斯球算法 82
4.3 贝叶斯神经网络 83
4.3.1 贝叶斯线性回归 83
4.3.2 贝叶斯神经网络 84
4.3.3 高斯过程 85
4.4 隐马尔可夫模型 87
4.4.1 基本概念 87
4.4.2 概率计算算法 88
4.4.3 学习算法 91
4.4.4 预测算法 94
4.5 马尔可夫随机场 96
4.5.1 基本概率 96
4.5.2 马尔可夫关键性质 97
4.5.3 参数估计与推断 99
4.6 隐狄利克雷分配 103
4.6.1 基本概念 103
4.6.2 模型描述 105
4.6.3 模型实现 106
4.7 生成式聚类 110
4.7.1 高斯混合模型 110
4.7.2 密度聚类 113
4.7.3 随机块模型 115
4.8 本章小结 118
4.9 习题 118
第5章 高级机器学习概述 120
5.1 机器学习演变 120
5.2 特征表示学习 122
5.2.1 图像数据表示学习 124
5.2.2 文本数据表示学习 125
5.2.3 图数据表示学习 125
5.3 新型学习机制 126
5.3.1 自监督学习 126
5.3.2 迁移学习 126
5.3.3 强化学习 128
5.3.4 大语言模型 129
5.4 本章小结 130
5.5 习题 131
第6章 特征表示学习 132
6.1 图像数据表示学习 132
6.1.1 数据形式与任务 132
6.1.2 卷积神经网络基础架构 133
6.1.3 经典模型 139
6.2 文本数据表示学习 148
6.2.1 数据形式与任务 148
6.2.2 循环神经网络架构 149
6.2.3 经典模型 152
6.3 图数据表示学习 162
6.3.1 数据形式与任务 162
6.3.2 图神经网络基础架构 163
6.3.3 经典模型 169
6.4 小结 179
6.5 习题 179
第7章 新型学习机制 180
7.1 自监督学习 180
7.1.1 自监督学习目的 181
7.1.2 生成式自监督学习 183
7.1.3 对比式自监督学习 191
7.1.4 对抗式自监督学习 197
7.2 迁移学习 201
7.2.1 实例加权策略 201
7.2.2 特征变换策略 204
7.2.3 参数控制策略 205
7.3 强化学习 207
7.3.1 强化学习问题 207
7.3.2 基于值函数的学习方法 213
7.3.3 基于策略函数的学习方法 220
7.3.4 演员-评论员算法 222
7.5 大语言模型学习 225
7.5.1 扩展定律和涌现 225
7.5.2 大语言模型的架构 227
7.5.3 预训练 227
7.5.4 微调 231
7.5.5 提示学习 233
7.5.6 大语言模型的缺陷 234
7.6 本章小结 237
7.7 习题 237
第8章 机器学习编程框架 239
8.1 机器学习实施流程 239
8.1.1 目标分析 239
8.1.2 数据处理 240
8.1.3 特征工程 243
8.1.4 模型训练 246
8.1.5 模型评估 248
8.2 机器学习编程框架 253
8.2.1 Scikit-learn 253
8.2.2 PyTorch 255
8.2.3 TensorFlow 256
8.2.4 PaddlePaddle 259
8.2.5 MindSpore 260
8.3 本章小结 261
8.4 习题 262
第9章 人脸识别 264
9.1 背景 264
9.1.1 人脸识别简介 264
9.1.2 人脸识别发展历程 265
9.1.2 人脸识别一般方法 266
9.1.3 人脸识别通用流程 267
9.1.4 人脸识别数据集 270
9.2 人脸检测 276
9.2.1 Dlib库简介 276
9.2.2 OpenCV简介 277
9.2.3 人脸检测实验 278
9.3 人脸识别 280
9.3.1 基于传统机器学习的人脸识别 280
9.3.2 基于深度学习的人脸识别 286
9.4 本章小结 292
9.5 习题 292
第 10章 灾害性天气预报 294
10.1 背景 294
10.1.1灾害性天气预报简介 294
10.1.2灾害性天气预报基本流程 296
10.1.3经典预报模型简介 297
10.1.4灾害性天气预报数据集 300
10.2 灾害性天气预报模型构建 304
10.2.1 设计原理与模型结构 304
10.2.2 基于PyTorch框架的代码实现 306
10.3 预报模型训练与评估 310
10.3.1 数据介绍与处理 311
10.3.2 模型训练 312
10.3.3 模型评估 315
10.4 本章小结 318
10.5 习题 319
参考文献 320
精品教材 更多
