機器學習是一門多領(lǐng)域交叉學科，涵蓋概率論知識、統(tǒng)計學知識、近似理論知識和復雜算法知識，使用計算機作為工具，致力于真實實時地模擬人類學習方式，并將現(xiàn)有內(nèi)容進行知識結(jié)構(gòu)劃分來有效提高機器學習效率。本書共分為七章：第一章，機器學習概述，介紹了機器學習的特點、分類以及應用；第二章，線性回歸，包括線性回歸模型的建立、學習策略的確定和優(yōu)化算法的求解過程；第三章，樸素貝葉斯，介紹了樸素貝葉斯這種常見分類模型，給出了較為詳細的推導過程；第四章，聚類分析，介紹了聚類分析模型的原理、優(yōu)缺點等；第五章，支持向量機，介紹了支持向量機模型，并對該模型進行了較為詳細的推導；第六章，決策樹，闡述了決策樹模型的推導過程及優(yōu)缺點分析；第七章，深度神經(jīng)網(wǎng)絡(luò)，介紹了深度學習相關(guān)的各類基礎(chǔ)知識。