"机器学习是以概率论、统计学、信息论、**化理论、计算理论等为基础的计算机应用理论学科，也是人工智能、数据挖掘等领域的基础学科。本书全面系统地介绍了机器学习的主要方法，共分4 篇。第一篇介绍监督学习的主要方法，包括线性回归、感知机、支持向量机、**熵模型与逻辑斯谛回归、提升法、隐马尔可夫模型和条件随机场等；第二篇介绍无监督学习的主要方法，包括聚类、奇异值分解、主成分分析、马尔可夫链蒙特卡罗法、EM算法、潜在语义分析、潜在狄利克雷分配等。第三篇介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、Transformer、扩散模型、生成对抗模型等。第四篇介绍强化的主要方法，包括马尔可夫决策、多臂老虎机、近端策略优化、深度Q网络等。书中每章介绍一两种机器学习方法。详细叙述各个方法的模型、策略和算法。从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。目的是使读者能学会和使用这些机器学习的基本技术。为满足读者进一步学习的需要，书中还对各个方法的要点进行了总结，给出了一些习题，并列出了主要参考文献。 《机器学习方法（第2版）》是机器学习及相关课程的教学参考书，适合人工智能、数据挖掘等专业的本科生、研究生使用，也可供计算机各个领域的专业研发人员参考。"

李航：ACM Fellow，ACL Fellow，IEEE Fellow。京都大学毕业，东京大学博士。曾就职于NEC公司中央研究所、微软亚洲研究院、华为诺亚方舟实验室。目前在字节跳动Seed部门工作。主要研究方向为自然语言处理、信息检索、机器学习、数据挖掘。

序言 本书旨在全面而深入地介绍机器学习的核心技术，全书共分为 4册（或 4篇），对应监督学习、无监督学习、深度学习和强化学习 4个主要分支。以方法为切入点，对机器学习技术加以梳理与总结，是本书的一大特点。在内容上，本书覆盖了传统机器学习（即统计机器学习）、深度学习以及强化学习领域中最为基础且最为广泛使用的方法，力求为读者呈现一幅完整且清晰的机器学习技术画卷。 近年来，机器学习领域取得了极大的发展，在人工智能的诸多领域应用中实现了重大突破。然而最基本、最常用的机器学习技术还是集中在一小部分核心内容上，例如， GBDT、EM算法、 Transformer、扩散模型、 PPO算法等。也正因如此，作者得以将这些关键技术梳理并总结，呈献给读者。 在每一篇的开头，先对本篇内容做一简单概述；然后在后面的章节中，详细讲解 8～10个具体的方法，每章介绍一两个方法。在行文上力求严谨精练，尽量使用数学语言进行描述；同时也尽量给出直观的解释，并提供一些例子，帮助读者理解。每篇和每章都相对独立，读者可以全书阅读，也可以根据自己的情况选择性阅读。 本书主要定位为大学教材或辅助读物，以及专业人员的参考书。假设读者已具备一定的微积分、线性代数、概率统计和计算机科学知识。本书并不试图涵盖所有内容，而是希望对最基本、最常用的技术进行透彻的讲解和分析，帮助读者学习和掌握。希望本书不仅方便初学者了解与学习，而且也能供精通者复习总结并融会贯通。 自 2012年《统计学习方法》（第 1版）出版以来，受到广大读者的广泛好评。截至 2024年 12月 1日，已发行 35万册。不少大学将此书作为机器学习课程的教...