《机器学习算法导论》全面讲述机器学习理论基础、算法实现及使用方法。第1章简要介绍机器学习及其算法；第2～9章主要介绍监督式学习算法，其中包括监督式学习算法基础、线性回归算法、机器学习中的搜索算法、Logistic回归算法、支持向量机算法、决策树、神经网络和深度学习；第10、11章着重介绍无监督学习算法，其中包括降维算法和聚类算法；第12章讲述强化学习的相关知识；附录提供了学习《机器学习算法导论》必备的数学基础知识和Python语言与机器学习工具库。《机器学习算法导论》可作为计算机科学与技术、智能科学与技术等专业高年级本科生和研究生教材，也可供人工智能领域特别是机器学习方向从事研究、开发工作的科技人员参考。

第1章 机器学习算法概述
1．1 什么是机器学习
1．2 机器学习的形式分类
1．2．1 监督式学习
1．2．2 无监督学习
1．2．3 强化学习
1．3 机器学习算法综览
1．4 有关术语的约定
小结

第2章 监督式学习算法基础
2．1 监督式学习基本概念
2．2 经验损失*小化架构
2．3 监督式学习与经验损失*小化实例
2．4 正则化算法
小结
习题

第3章 线性回归算法
3．1 线性回归基本概念
3．2 线性回归优化算法
3．3 多项式回归
3．4 线性回归的正则化算法
3．5 线性回归的特征选择算法
3．5．1 逐步回归
3．5．2 分段回归
小结
习题

第4章 机器学习中的搜索算法
4．1 梯度下降算法与次梯度下降算法
4．2 随机梯度下降算法
4．3 牛顿迭代算法
4．4 坐标下降算法
小结
习题

第5章 Logistic回归算法
5．1 Logistic回归基本概念
5．2 Logistic回归优化算法
5．3 分类问题的度量
5．3．1 准确率
5．3．2 **率与召回率
5．3．3 ROC曲线及AUC度量
5．4 Softmax回归
5．4．1 Softmax回归基本概念
5．4．2 Softmax回归优化算法
5．4．3 Softmax模型与指数分布族
小结
习题

第6章 支持向量机算法
6．1 支持向量机基本概念
6．1．1 支持向量机思想起源
6．1．2 支持向量机的凸优化描述
……