《机器学习算法与应用》主要内容包括机器学习中的相关数学基础（线性代数、概率统计与信息论、**化方法和张量分析），样本数据的处理，机器学习的各种主流算法，基于MATLAB的机器学习算法的实现与机器学习综合应用，机器学习和深度学习的工程应用。本书特色是深入浅出，自成体系，注重基础理论的描述，具有系统性、完整性、可阅读性、应用性和前瞻性。本书可作为高等院校研究生和本科生机器学习相关课程的教材，还可作为与人工智能相关机构研究人员的参考书。

唐晨 博士，天津大学电气自动化与信息工程学院教授，国家自然科学基金和教育部学位论文评审专家。多年主讲本科生及研究生机器学习相关课程，在国内外重要学术期刊发表论文100余篇，主持或参与多项国家、省部级科研项目，以第一发明人获得授权专利10余项。主要研究方向：机器学习和深度学习方法研究及在图像处理、大数据和信息安全等领域中的应用等。付树军 博士，山东大学数学学院科学计算与软件研究所教授，博士生导师，山东大学承势公共安全大数据研究中心主任。国家自然科学基金、国家教育部科研基金和科技奖励、山东省科技计划项目评审专家。中国图像图形学学会交通视频专委会副主任委员，山东省计算数学学会常务委员，山东省大数据研究会副秘书长。发表论文100余篇，主持或参与20余项省部级以上科研项目，申请专利14项。主要研究方向：图像处理和计算机视觉、医学图像分析、大数据计算等。徐岩 博士，天津大学电气自动化与信息工程学院副教授。多年来一直从事机器学习、深度学习、模式识别、图像处理等领域的研究，主持或参与多项国家自然科学基金、天津市自然科学基金、企业合作等科研项目，以第一作者或通讯作者在SCI、EI、核心期刊发表学术论文40余篇，以第一发明人获得授权专利10余项。

前 言 机器学习是新思想、新观念、新理论、新技术不断出现并迅速发展的新兴学科，是人工智能的基础。目前几乎所有学科（工科、理科、金融和文法等）的研究方向都与机器学习相关，机器学习已经成为从事不同领域研究的重要手段和工具。本书为研究生和本科生机器学习相关课程的学习而编写。 本书的内容主要包括五部分：第一部分是机器学习中的数学基础，包括线性代数、概率统计与信息论、最优化方法和张量分析；机器学习是基于样本数据的，第二部分内容是样本数据的处理，包括 Kernel 方法、PCA、KPCA、LDA 和 KLDA；第三部分是监督学习，包括多变量线性回归及基于 Kernel 的线性回归、逻辑回归、贝叶斯分类器、决策树、随机森林、SVM、人工神经网络和卷积神经网络；第四部分是无监督学习，包括 k-means、FCM 和改进的 FCM；第五部分是应用，包括机器学习算法的综合应用、机器学习和深度学习的工程应用。 本书的特色如下。 （1）在相关背景知识中介绍了与机器学习相关的线性代数、优化理论等基础知识，自成体系，具有系统性、完整性，适合不同专业的学生学习。 （2）为提高学生的基础理论水平，本书注重基础理论的描述，包括每种机器学习算法的物理意义、如何公式化和如何数值求解的描述。 （3）为加深学生对基础理论的理解，同时提高学生解决工程实际问题的能力，本书包括对每种算法实现的介绍，并给出源码。 （4）编写力求由浅入深，层次分明，逻辑性强，可阅读性强，有利于读者自学。 （5）引入课题组及同行的最新科研成果，具有时代感和先进性。 本书全部书稿几经修改，也参考了很多国内外机...