【假一罚四】人工智能

机器学习是计算机科学和人工智能重要的分支领域，也是一些交叉学科的重要支撑技术。机器学习主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，并不断改善自身的性能。人工智能已经上升为国家战略，机器学习相关产业发展迅猛，随之而来的是人才的巨大缺口，因此迫切需要系统介绍机器学习理论与方法的相关书籍。
本书系统地讲解了机器学习的理论与方法，全书共分为13章。第1章介绍了机器学习的基本概念、发展历史和机器学习的分类，以及机器学习方法的性能度量；第2章讨论了极大似然估计算法，在此基础上推导了EM算法，分析了高斯混合模型，并采用EM算法估计了高斯混合模型参数；第3章介绍了概率主题模型，以及变分法和采样法两种求解方法，讨论了PY过程的理论基础及其性质，给出了具有zipf定律性质的主题模型和模型的推理算法；第4章阐述了单随机变量采样和序列随机变量采样方法，并介绍了非参数贝叶斯模型和狄利克雷过程的相关概念，以及狄利克雷过程3种常见的构造方式；第5章讨论了无监督学习中的聚类算法，包括经典的聚类算法、谱聚类算法等；第6章在分析统计学习理论的基础上讨论了支持向量机的基本原理、支持向量机分类器、支持向量回归机，以及核函数，并介绍了支持向量机的应用；第7章介绍了逻辑斯谛回归模型、*熵模型和条件随机场等典型的概率无向图模型；第8章讨论了概率有向图模型，从完整数据结构学习和缺失数据结构学习两方面介绍了贝叶斯网络，讨论了隐马尔可夫模型和三个基本问题，以及其对应的算法；第9章介绍了等值与低秩矩阵分解、非负矩阵分解、非负张量分解等矩阵和张量分解的相关理论与方法，并给出其应用；第10章讲解了感知机和多层感知机，介绍了误差反传算法及其改进算法；第11章介绍了卷积神经网络的发展、组成部分、典型的卷积神经网络，以及训练技巧；第12章讨论了循环神经网络的结构和它的训练，并介绍了长短期记忆网络和门控循环单元两种典型的循环神经网络；第13章讲解了强化学习的相关理论，介绍了强化学习的TD学习、MC学习、Q学习、Double-Q学习、SARSA学习和Actor-Critic学习等方法，以及深度强化学习的相关理论与方法。
本书内容丰富，着重讲解机器学习方法的原理，让您知其然，知其所以然，并通过实例让读者对方法有更深的理解。本书强调机器学习的系统性、完整性和方法的时效性；本书内容包括基础理论、应用技术和工程实践。本书既适合相关专业学生，又适用于社会人士学习，让读者学会各种机器学习方法，体验学习机器学习知识的乐趣。
感谢徐亚苗、龚一鸣、黄云飞在本书审查、校对阶段的辛勤工作，以及对本书投入过心血的所有人！在本书写作和出版的过程中，电子工业出版社的副总编赵丽松和责任编辑张迪给予了很多帮助，在此特向她们致谢。
由于作者水平有限，书中难免有不足之处，敬请读者批评指正，提出宝贵意见。

本书全面系统地讲解了机器学习的理论与方法，内容主要包括高斯混合模型和EM算法、主题模型、非参数贝叶斯模型、聚类分析、图模型、支持向量机、矩阵分解、深度学习及强化学习。本书旨在使读者了解机器学习的发展，理解和掌握它的基本原理、方法与主要应用。本书内容丰富，着重机器学习理论的推导与证明，并通过实例进行方法的分析与比较。同时，本书强调机器学习的系统性、完整性和时效性，可读性强。