现代机器学习技术导论-清华大学王东

本书的主体内容是基于该研讨班形成的总结性资料，从2016年8月开始整理，历经数次大规模修正，直到2019年1月定稿。全书共分十一章，内容如下:

目录

第一章:介绍机器学习研究的总体思路，发展历史与关键问题:

第二章:介绍线性模型，包括线性预测模型，线性分类模型和线性高斯概率模型;

第三章:介绍神经网络的基础知识、基础结构和训练方法;

第四章:介绍深度神经网络的基础方法和最新进展;

第五章:介绍核方法，特别是支持向量机模型;

第六章:介绍图模型的基本概念和基于图模型的学习和推理方法:

第七章:介绍非监督学习方法，特别是各种聚类方法和流形学习;

第八章:介绍非参数非贝斯模型，重点关注高斯过程和狄利克雷过程:第九章:介绍遗传算法、遗传编程、群体学习等演化学习方法;

第十章:介绍强化学习，包括基础算法及近年来兴起的深度强化学习方法;

第十一章:介绍各种数值优化方法。

基于作者的研究背景，这本十很难说是机器学习领域的专业著作，而是一本学习笔记，是从一个机器学习技术使用者角度对机器学习知识的一次总结，并加入作者在本领域研究中的一些经验和体会。与其说是一本专业著作，不如说是一本科普读物，用简洁的语言和深入浅出的描述为初学者打开机器学习这扇充满魔力的大门。打开大门以后，我们会发现这是个多么让人识、新的思路、新的方法产生，每天都有激动人心的领域，每天都有新的知令人振奋的成果。我们希望这本丰可以让更多学生、工程师和相关领域的研究者对机器学习产生兴趣，在这片异彩纷呈的海域上找到属于自己的那颗贝壳。