本书兼顾机器学习基础、经典方法和深度学习方法,对组成机器学习的基础知识和基本算法进行了比 较细致的介绍,对广泛应用的经典算法如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学 习等算法都给出了深入的分析并讨论了无监督学习的基本方法,对深度学习和强化学习进行了全面的叙 述,比较深入地讨论了反向传播算法、多层感知机、CNN、RNN 和 LSTM 等深度神经网络的核心知识和结 构;对于强化学习,不仅介绍了经典表格方法,还讨论了深度强化学习。 本书是面向大学理工科和管理类各专业的宽口径、综合性机器学习的教材,可供本科生和一年级研究 生课程使用,也可供科技人员、工程师和程序员自学机器学习的原理和算法使用。本书对基础和前沿、经 典方法和热门技术进行了尽可能的平衡,使得读者不仅能在机器学习领域打下一个良好的基础,同时也可 以利用所学知识解决遇到的实际问题并为进入学科前沿打好基础。

张旭东，清华大学电子工程系长聘教授，博士生导师，主要研究方向为信号处理和机器学习。承担国家、部委和国际合作项目数十项，发表学术论文150余篇，出版有《现代信号分析和处理》著作4部。获得Elsevier的**引用奖（The Most Cited Paper Award，2008）和IET国际雷达年会**论文奖，两次获得清华大学教学成果一等奖，三次获得清华大学优秀教材奖。

前言 机器学习已经成为一种解决诸多问题的有效工具，广泛应用于多学科交叉领域。本书以理工科本科生和一年级研究生的基础知识为起点，以面向工程应用为目标，适度侧重电子信息专业学生，并尽可能满足其他专业需求，是一本通用性和专业性兼顾的机器学习入门教材。通过学习本书，读者可以为掌握机器学习包括深度学习的本质和算法、解决实际问题及开展与本领域相关的研究打下基础。 本书是作者《机器学习导论》（以下称《导论》）的姐妹篇，是对《导论》的精简。但本书不是 经过简单删削的简化版，而是对内容进行了重新梳理和编排，更适合作为一个学期“机器学习”课程的基本教材。 《导论》更适合作为对机器学习课程要求更高并留有一定自学材料的教材。 与《导论》类似，本书在内容选择上尽可能地进行了平衡，既反映机器学习的基础知识和经典方法，又重视近期非常活跃的深度学习和强化学习的内容。深度学习很重要，尤其当前的一些商业化应用 （包括计算机视觉、语音识别、自然语言处理、推荐系统、信息检索等），既有大数据支持，又可以通过大规模计算系统进行训练（学习），取得了许多重要进展。但并不是所有应用都有必要使用深度学习，许多问题用传统机器学习技术 就可以取得很好的结果，尤其是一些工程中的专门领域，获取大数据集是非常困难的， 在这些领域中，经典的机器学习方法可得到更广泛的应用。 全书内容共12章，分为3部分。 第一部分涵盖前5章，包括基础性介绍和一些需要补充的基础知识。第1章是 机器学习概述，介绍了机器学习要解决的基本问题，以及一些基本术语、基本类型和构成模型的基本元素； ...