机器学习是从数据通往智能的一种重要技术途径,是数据科学的核心技术,是现代人工智能最主要的实现方法。本书共10章,内容包含机器学习概述、决策树、多层感知器、维度约简、支持向量机、无监督学习、概率图模型、强化学习、深度学习、机器学习新技术。本书注重基础理论和基本方法;融入经典案例,给出应用场景,采用理论和案例相结合的方式加深学生对机器学习以及人工智能的理解;聚焦前沿,从实际生活到工程,采用多种最新模型进行实践学习,以与时俱进的案例让学生认识到人工智能的前沿性,培养学生开拓创新的精神。本书适合作为普通高等院校人工智能、数据科学与大数据技术、计算机科学与技术、软件工程等专业的教材,也可作为机器学习爱好者的参考书。

当前,新一轮科技革命和产业变革正深入发展。 数据成为新生产要素;算力成为新基础能源;人工智能则成为新质生产力;大模型等人工智能技术成为引领新一代产业变革的核心力量。 2024 年政府工作报告提出:“要大力推进现代化产业体系建设,加快发展新质生产力。”其中,在深入推进数字经济创新发展方面提到深化大数据、人工智能(artificial intelligence,AI)等研发应用,开展“人工智能 + ”行动,打造具有国际竞争力的数字产业集群。近年来,Sora、DeepSeek、GPT-5等大模型相继出现,人工智能的发展已经从“大炼模型”逐步迈向了“炼大模型”的阶段。 以大模型为核心的生态包括底层数据处理和汇聚、模型能力和算法评测、开源开放,形成了一套高效的大模型技术和算法体系,生成了一幅生动的赋能应用景象,让人们领略到通用人工智能的可能性和巨大潜力。而机器学习是从数据通往智能的一种重要技术途径。 因此,机器学习是数据科学的核心技术,是现代人工智能最主要的实现方法。
结合当前高校学生的发展需要以及“机器学习”专业课程教学需求,编者于2020年6月编写了本书的第一版,旨在帮助学生理解机器学习的原理,了解机器学习的算法思想,熟悉机器学习的应用场景,掌握机器学习的运用方法。
人工智能发展迅速,很多不同的机器学习新技术应运而生,这对机器学习类等教材作的撰写提出了新要求。 一方面,为了做到与时俱进,需要介绍当前众多的机器学习新方法;另一方面,按照科教融汇、产教融合、理实融通的人才培养理念,为了推进理实融合培养人才,需要突出教材的实践性,坚持理论与实践相统一,学以致用,用以促学。
为此,本书主要在第一版的基础上做了如下优化更新:
首先,第二版重点补充完善了各个章节的案例分析,保证每章至少包含三个与算法相关的案例分析内容,以帮助读者更好地理解对应的机器学习算法;同时为每章添加概述。
其次,对重点章节及重点内容进行了修订完善,包括修订了第1章的内容,补充了一些基本概念;为第4章增加了距离度量学习内容;删除第6章竞争网络;重点调整了第7章的结构,使其逻辑更加清晰;对第9章进行了重点修订,修订为当前关注度较高的注意力机制模型和生成对抗网络,并补充了预训练模型、大模型技术及应用内容。
最后,增加了第10章,修订了附录部分,重点介绍当前流行的机器学习新技术及延伸资料阅读等。
本书共10章,内容包含机器学习概述、决策树、多层感知器、维度约简、支持向量机、无监督学习、概率图模型、强化学习、深度学习、机器学习新技术。 附录提供了机器学习常用工具。
本书特色在于注重基础理论和基本方法;融入经典案例,给出应用场景,采用理论和案例相结合的方式加深学生对机器学习以及人工智能的理解;聚焦前沿,从实际生活到工程,采用多种最新模型进行实践学习,以与时俱进的案例让学生认识到人工智能的前沿性,培养学生开拓创新的精神。
本书配有教学资源,如教学方案、教学课件、课后习题答案等,读者可在中国铁道出版社教学资源数字化平台(https://www.tdpress.com/51eds)获取。
本书由袁景凌、张献任主编,魏娜、汤梦姿任副主编。袁景凌负责全书的总体修订、统稿。张献、袁景凌负责第1、8、9 章的编写,魏娜、张献负责第2、3、5章的编写。汤梦姿、袁景凌负责第4、6、7章的编写,袁景凌负责第10章的编写。 贲可荣、徐洁磐教授对全书进行审定。
由于时间仓促及编者水平所限,书中难免存在不足之处,恳请读者批评指正。

第1章机器学习概述11.1机器学习的概念和发展史21.2机器学习的基本要素51.2.1模型61.2.2学习策略61.2.3优化算法91.2.4评价指标101.3机器学习的分类111.3.1按学习类型划分121.3.2按样本信息及反馈方式划分121.3.3按模型种类划分131.3.4按应用任务划分141.4机器学习系统的基本结构161.4.1从驱动因素角度分析161.4.2从特征学习角度分析171.4.3从编程范式角度分析191.5机器学习的典型应用201.6机器学习系统安全251.6.1典型安全问题251.6.2基本安全属性30习题31 第2章决策树322.1概述322.2决策树的组成及分类322.3决策树CLS算法342.4决策树ID3算法352.5决策树C4.5算法和CART算法382.6随机森林382.7决策树和随机森林的应用概述412.7.1决

袁景凌，武汉理工大学计算机与人工智能学院副院长、教授博导、计算机科学与技术专业责任教授、湖北省计算机学会理事、中国计算机学会高级会员、体系结构专委会委员。主持和参与了科技部支撑计划、国家重大仪器专项、国家自然科学基金、湖北省自然科学基金等项目的研究，曾获湖北省自然科学奖二等奖、湖北省科技进步二等奖、湖北省科技进步三等奖、湖北省技术发明三等奖、湖北省教学成果一等奖等。在AAAI，MM，ISCA，ICDCS，ICME，ICMR和TCC，KBS，KAIS，FGCS等发表学术论文80余篇，主编了《智能方法及应用》《机器学习方法及应用》《离散数学》等专著或教材8本，获得国家发明专利项10余项，软件著作权20余项。 张献，海军工程大学电子工程学院讲师，主要从事人工智能、软件质量保证等方面教学科研工作。主讲《人工智能》《人工智能应用实践》《神经网络与深度学习》等课程，先后参与国家自然科学基金、国防973、装发预研、海军重大专项等科研项目10余项，发表SCIEI等学术论文20余篇；参与编写《人工智能实践教程》等教材3部，译著1部。指导学生获国家级学科竞赛特等奖1项、省级奖3项。先后获得全国和全军征文活动

①在介绍常用机器学习方法的同时，还综述各主要方法的应用现状。
②为便于读者理解知识，各章设置了小案例、大案例，期望通过案例讲解的方式使读者可以系统地掌握机器学习方法。
③应用案例采用Python语言编写，并提供代码资源。