"本书从数据表示学习角度介绍机器学习及其应用。全书共7章，分别介绍数据表示学习与数学基础、传统降维方法、分布式表示学习和聚类算法、稀疏表示学习、神经网络中的特征提取、生成式表示学习和对比式表示学习。本书涉及的数据表示学习算法的具体应用领域包括计算机视觉、自然语言处理以及图网络分析等。 本书主要面向广大从事人工智能、机器学习或深度学习、数据挖掘、模式识别等领域的专业人员，从事高等教育的专任教师，高等院校的在读学生及相关领域的广大科研人员。 "

前言 党的二十大报告强调“必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，开辟发展新领域新赛道，不断塑造发展新动能新优势”。 作为人工智能的核心技术之一，机器学习是获得智能的基本途径，其应用遍及人工智能的各个领域，包括计算机视觉、自然语言处理和图网络分析等。为了迎合新一代人工智能发展规划对该领域人才的需求，本书为人工智能相关专业的学生介绍机器学习基础理论知识、最新发展成果、实际应用以及项目实践等。 本书主要内容 本书可视为一本围绕数据表示学习的机器学习图书，全书共7章。 第1章绪论，包括机器学习简介、特征工程与数据表示学习、数学与概率基础。 第2章传统降维方法，包括主成分分析、流形学习、t分布随机邻域嵌入和自编码器。第3章分布式表示学习和聚类算法，包括Kmeans算法和K近邻算法、原型聚类算法、基于密度的聚类算法以及层次聚类。第4章稀疏表示学习，包括稀疏表示简介和匹配追踪算法等。第5章神经网络中的特征提取，包括多层神经网络、卷积神经网络、循环神经网络、图神经网络等。第6章生成式表示学习，包括贝叶斯学习、近似推断、概率图模型、生成对抗网络和扩散模型等。第7章对比式表示学习，包括数据增强、正负样本的选择、相似性度量、对比框架等。 本书特色 (1) 角度新颖，探索核心。 本书围绕数据表示学习介绍机器学习，解决机器学习及其应用的核心问题，角度较为新颖。人工智能涉及计算机视觉中图像和视频内容的理解、自然语言的理解以及具有拓扑结构的图网络理解等任务。完成此类高阶...