本书比较系统地介绍和讨论机器学习的入门性基础理论与应用技术。首先，比较详细地介绍掌握机器学习理论和方法所必须具备的基础知识，包括机器学习的基本概念与发展历程、模型估计与优化的基本方法；然后，系统地介绍和讨论监督学习、无监督学习、集成学习等传统机器学习理论与方法；最后，在详细探讨神经网络与深度学习基本理论的基础上，系统地介绍深度卷积网络、深度循环网络、转换器模型、生成对抗网络、扩散模型、大语言模型等若干典型深度学习模型的基本理论与训练范式，分析和讨论了强化学习与深度强化学习的基本理论与方法。 本书内容丰富、思路清晰、实例讲解详细、图例直观形象，每章均配有一定数量的习题来供读者练习，适合作为智能科学与技术、数据科学与大数据技术、计算机科学与技术及相关专业本科生或研究生的机器学习入门性教材，也可供工程技术人员和自学读者学习和参考。

汪荣贵，安徽池州人，教授、博士生导师、中国人工智能学会离散智能计算专委会理事、安徽省人工智能学会理事、国家自然科学基金评审专家、教育部博士点基金评审专家、安徽省评标专家。主要研究方向为智能视频处理与分析、嵌入式机器视觉系统、嵌入式多媒体技术、网络多媒体技术，主持国家自然科学基金面上项目两项、企业委托项目多项。已在《计算机学报》《电子学报》《计算机研究与发展》等计算机核心期刊上发表多篇学术论文，且为《自动化学报》《中国图象图形学报》等多个期刊的审稿人。主讲计算机专业、软件工程专业本科生或研究生“离散数学” “视频信息处理” “算法设计与分析” “计算方法”等课程。

前言
第1章机器学习概述
11机器学习基本概念
111人工智能与机器学习
112机器学习基本术语
113误差分析与模型评估
12机器学习发展历程
121感知机与连接学习
122符号学习与统计学习
123连接学习的兴起
13习题
第2章模型估计与优化
21模型参数估计
211最小二乘估计
212最大似然估计
22模型优化基本方法
221梯度下降法
222牛顿迭代法
23模型优化概率方法
231随机梯度法
232改进梯度法
233最大期望法
24模型正则化策略
241范数惩罚
242样本增强
25习题
第3章监督学习
31线性模型
311模型结构
312线性回归
313线性分类
32决策树模型
321模型结构
322判别标准
323模型构造
33贝叶斯模型
331贝叶斯方法
332贝叶斯分类
34支持向量机
341线性可分性
342核函数技术
343结构风险分析
35监督学习应用
351信用风险评估
352垃圾邮件检测
353车牌定位与识别
36习题
第4章无监督学习
41聚类分析
411划分聚类法
412密度聚类法
42主分量分析
421基本PCA方法
422核PCA方法
43半监督学习
431半监督学习假设
432半监督支持向量机
433半监督聚类
44无监督学习应用
441热点话题发现
442自动人脸识别
45习题
第5章集成学习
51集成学习基本知识
511集成学习基本概念
512集成学习基本范式
513集成学习泛化策略
52Bagging集成学习
521Bagging集成策略
522随机森林模型结构
523随机森林训练算法
53Boosting集成学习
531Boosting集成策略
532AdaBoost学习算法
54集成学习应用
541房价预测分析
542自动人脸检测
55习题
第6章神经网络与深度学习
61神经网络概述
611神经元与感知机
612前馈网络模型
613模型训练基本流程
62神经网络常用模型
621自编码器
622玻尔兹曼机
63深度学习基本知识
631浅层学习与深度学习
632深度堆栈网络
633深度置信网络
64神经网络应用
641光学字符识别
642自动以图搜图
65习题
第7章深度判别网络
71深度卷积网络
711卷积网络概述
712基本网络模型
713改进网络模型
72深度循环网络
721动态系统展开
722网络结构与计算
723模型训练策略
73转换器模型
731编码器与解码器
732自注意力机制
733转换器模型结构
74深度判别网络应用
741图像目标检测
742自动文本摘要
75习题
第8章深度生成网络
81生成对抗网络
811生成器与判别器
812网络结构与计算
813模型训练策略
82扩散模型
821扩散模型原理
822网络结构
823模型生成策略
83大语言模型
831模型概述与数据准备
832经典模型架构
833模型微调与解码
84深度生成网络应用
841图像修复
842图像超分辨
85习题
第9章深度强化学习
91强化学习基本知识
911强化学习概述
912马尔可夫模型
913策略迭代与值迭代
92基于价值的学习
921时序差分算法
922深度Q网络
923深度双Q网络
924DQN模型改进
93基于策略的学习
931策略梯度法
932Actor-Critic算法
933DDPG学习算法
94深度强化学习应用
941自动爬山小车
942智能巡航小车
95习题
参考文献