机器学习和深度学习是人工智能领域开展科学研究的核心前沿理论，本书以“理论算法”为基础核心，以“实践案例”为创新驱动，以“思政元素”为育人之魂，在了解机器学习和深度学习发展前沿的基础上，掌握基本核心知识，深刻理解应用案例，加深实践开发要素理解，夯实人工智能领域核心理论算法。

全书共12章内容。第1章“绪论”，第2章“线性模型”，第3章“决策树”，第4章“贝叶斯分类器”，第5章“支持向量机”，第6章“聚类”，第7章“神经网络”，第8章“卷积神经网络”，第9章“循环神经网络”，第10章“生成对抗网络”，第11章“孪生神经网络”，第12章“图神经网络”。

本书内容翔实、逻辑严谨、易于学习，是作者结合多年教学科研经验，精心撰写的一本机器学习与深度学习的教科书，适合作为计算机类、自动化类、电子信息类相关专业高年级本科生和研究生的“机器学习与深度学习”课程教材，也适合作为人工智能等相关领域科研人员的参考书籍。

前辅文
第1章 绪论
  1.1 人工智能
   1.1.1 人工智能的发展历程
   1.1.2 人工智能的三大研究学派
  1.2 机器学习
   1.2.1 机器学习的发展历程与研究现状
   1.2.2 机器学习算法的分类
  1.3 深度学习
  1.4 评估理论
   1.4.1 划分数据集
   1.4.2 交叉验证
  1.5 本书知识结构图
  1.6 本章小结
  习题
第2章 线性模型
  2.1 线性模型的基本形式
  2.2 线性回归模型
   2.2.1 一元线性回归
   2.2.2 多元线性回归
   2.2.3 对数线性回归
   2.2.4 逻辑回归
  2.3 损失函数
   2.3.1 均方差损失函数
   2.3.2 平均绝对误差损失函数
   2.3.3 平滑平均绝对误差损失函数
   2.3.4 交叉熵损失函数
  2.4 线性模型应用案例
   2.4.1 问题描述
   2.4.2 问题分析
   2.4.3 代码实现
   2.4.4 结果分析
  2.5 本章小结
  习题
第3章 决策树
  3.1 决策树模型与学习
   3.1.1 决策树模型
   3.1.2 if-then规则
   3.1.3 决策树学习
  3.2 特征选择
   3.2.1 信息增益
   3.2.2 增益率
   3.2.3 基尼指数
  3.3 剪枝处理
   3.3.1 预剪枝
   3.3.2 后剪枝
  3.4 连续值与缺失值处理
   3.4.1 连续值处理
   3.4.2 缺失值处理
  3.5 多变量决策树
  3.6 决策树应用案例
   3.6.1 问题描述
   3.6.2 问题分析
   3.6.3 代码实现
   3.6.4 结果分析
  3.7 本章小结
  习题
第4章 贝叶斯分类器
  4.1 贝叶斯方法
   4.1.1 贝叶斯定理
   4.1.2 极大后验假设
   4.1.3 贝叶斯最优分类器
   4.1.4 参数估计
  4.2 朴素贝叶斯分类器
  4.3 半朴素贝叶斯分类器
  4.4 贝叶斯网络
   4.4.1 贝叶斯网络的表示
   4.4.2 学习
   4.4.3 推断
  4.5 最大期望算法
   4.5.1 最大期望算法原理
   4.5.2 最大期望算法收敛性分析
  4.6 朴素贝叶斯分类器应用案例
   4.6.1 问题描述
   4.6.2 问题分析
   4.6.3 代码实现
   4.6.4 结果分析
  4.7 本章小结
  习题
第5章 支持向量机
  5.1 支持向量机简介
  5.2 支持向量机的形式化描述
  5.3 支持向量机的数学描述
  5.4 支持向量机的求解
   5.4.1 拉格朗日乘子法
   5.4.2 对偶问题
  5.5 核函数
  5.6 软间隔
  5.7 支持向量回归
  5.8 支持向量机应用案例
   5.8.1 问题描述
   5.8.2 问题分析
   5.8.3 代码实现
   5.8.4 结果分析
  5.9 本章小结
  习题
第6章 聚类
  6.1 聚类简介
  6.2 划分聚类
   6.2.1 K-means算法原理
   6.2.2 K-means算法流程
   6.2.3 K-means算法分析
  6.3 密度聚类
   6.3.1 DBSCAN算法原理
   6.3.2 DBSCAN算法流程
   6.3.3 DBSCAN算法分析
  6.4 层次聚类
   6.4.1 AGNES算法原理
   6.4.2 AGNES算法流程
   6.4.3 AGNES算法分析
  6.5 聚类应用案例
   6.5.1 问题描述
   6.5.2 问题分析
   6.5.3 代码实现
   6.5.4 结果分析
  6.6 本章小结
  习题
第7章 神经网络
  7.1 神经网络简介
   7.1.1 神经网络的概念
   7.1.2 神经网络的功能
   7.1.3 神经网络的发展
   7.1.4 神经网络的应用
  7.2 M-P模型
   7.2.1 M-P模型概念
   7.2.2 标准M-P模型
   7.2.3 延时M-P模型
   7.2.4 改进的M-P模型
  7.3 感知器神经网络
   7.3.1 单层感知器
   7.3.2 多层感知器
  7.4 BP神经网络
   7.4.1 BP神经网络模型
   7.4.2 激活函数
   7.4.3 BP神经网络学习算法
   7.4.4 BP神经网络的相关问题与改进
  7.5 RBF神经网络
   7.5.1 RBF神经网络模型
   7.5.2 RBF神经网络学习算法
   7.5.3 RBF神经网络与BP神经网络比较
  7.6 BP神经网络应用案例
   7.6.1 问题描述
   7.6.2 问题分析
   7.6.3 代码实现
   7.6.4 结果分析
  7.7 本章小结
  习题
第8章 卷积神经网络
  8.1 卷积神经网络简介
   8.1.1 卷积神经网络的概念
   8.1.2 卷积神经网络的发展
   8.1.3 卷积神经网络的基本结构
   8.1.4 卷积神经网络学习算法
  8.2 卷积神经网络基本部件
   8.2.1 “端到端”思想
   8.2.2 卷积层
   8.2.3 池化层
   8.2.4 激活函数
   8.2.5 全连接层
   8.2.6 损失函数
  8.3 卷积神经网络经典模型
   8.3.1 AlexNet模型
   8.3.2 VGGNet模型
   8.3.3 Network-In-Network模型
   8.3.4 ResNet模型
  8.4 卷积神经网络应用案例
   8.4.1 问题描述
   8.4.2 问题分析
   8.4.3 代码实现
   8.4.4 结果分析
  8.5 本章小结
  习题
第9章 循环神经网络
  9.1 循环神经网络简介
   9.1.1 循环神经网络的概念
   9.1.2 循环神经网络的发展
   9.1.3 循环神经网络的应用
  9.2 循环神经网络结构
   9.2.1 循环神经网络的基本结构
   9.2.2 循环神经网络的算法
   9.2.3 循环神经网络的变体
  9.3 长短期记忆网络及其变体
   9.3.1 长期依赖性挑战
   9.3.2 长短期记忆网络
   9.3.3 长短期记忆网络的变体
  9.4 深度循环神经网络
   9.4.1 深度循环神经网络的基本结构
   9.4.2 深度循环神经网络的其他形式
  9.5 循环神经网络应用案例
   9.5.1 问题描述
   9.5.2 问题分析
   9.5.3 代码实现
   9.5.4 结果分析
  9.6 本章小结
  习题
第10章 生成对抗网络
  10.1 生成对抗网络简介
   10.1.1 生成对抗网络的概念
   10.1.2 生成对抗网络的原理
   10.1.3 生成对抗网络的训练
   10.1.4 生成对抗网络的发展
   10.1.5 生成对抗网络的应用
  10.2 WGAN模型及其改进
   10.2.1 WGAN模型
   10.2.2 WGAN-GP模型
  10.3 文本转换图像的GAN模型
   10.3.1 GAWWN模型
   10.3.2 StackGAN模型
  10.4 图像转换的GAN模型
   10.4.1 iGAN模型
   10.4.2 Pix2Pix模型
   10.4.3 CycleGAN模型
   10.4.4 StarGAN模型
  10.5 生成对抗网络应用案例
   10.5.1 问题描述
   10.5.2 问题分析
   10.5.3 代码实现
   10.5.4 结果分析
  10.6 本章小结
  习题
第11章 孪生神经网络
  11.1 孪生神经网络简介
   11.1.1 孪生神经网络的概念
   11.1.2 孪生神经网络的发展
   11.1.3 孪生神经网络的应用
  11.2 孪生神经网络的结构
   11.2.1 孪生网络
   11.2.2 伪孪生网络
   11.2.3 多重孪生网络
  11.3 目标跟踪中的孪生网络
   11.3.1 全卷积孪生网络
   11.3.2 注意力孪生网络
   11.3.3 孪生区域生成网络
  11.4 语义相似计算中的孪生网络
   11.4.1 Siamese LSTM模型
   11.4.2 Sentence-BERT模型
  11.5 孪生神经网络应用案例
   11.5.1 问题描述
   11.5.2 问题分析
   11.5.3 代码实现
   11.5.4 结果分析
  11.6 本章小结
  习题
第12章 图神经网络
  12.1 图神经网络简介
   12.1.1 图特征学习的概念
   12.1.2 图神经网络的发展
  12.2 图论基础
   12.2.1 图的空间域表示
   12.2.2 谱图理论
   12.2.3 图信号处理
   12.2.4 图计算任务
  12.3 图嵌入
   12.3.1 简单图嵌入的深度游走算法
   12.3.2 复杂图嵌入的多维图模式
  12.4 图神经网络的结构
   12.4.1 图神经网络框架
   12.4.2 图过滤层
   12.4.3 图池化层
   12.4.4 图神经网络的参数学习
  12.5 图神经网络应用案例
   12.5.1 问题描述
   12.5.2 问题分析
   12.5.3 代码实现
   12.5.4 结果分析
  12.6 本章小结
  习题
参考文献