"机器学习是新一代人工智能的核心技术，并且具有极大发展和应用潜力。本书作为该领域的入门教材，在内容上兼顾系统性、前沿性和全面性。全书分为四部分，共19章。第一部分为绪论，包含第1章：概要介绍机器学习相关发展历史、流派、基本概念与应用。第二部分为数据表示，包含第2~7章：第2章介绍基础数据类型；第3~6章分别讲述4种重要的数据类型（文本数据、图像数据、音频数据和视频数据）及其表示方式；第7章总结数据表示方法并探讨相关挑战。第三部分为学习模型，包含第8~15章：第8~14章分别讲述7种重要的机器学习方法，包括线性模型，贝叶斯决策、聚类分析、深度生成模型、对比学习、集成学习和强化学习；第15章总结学习模型并探讨相关挑战。第四部分为算法平台，包含第16~19章：第16章介绍算法平台概述；第17和18章分别介绍算法开发与优化以及算法部署与扩展；第19章总结算法平台并探讨相关挑战。 本书可作为高等院校计算机、人工智能、自动化等相关专业的本科生或研究生教材，也可供相关领域的研究人员和工程技术人员阅读参考。"

景丽萍，博士，北京交通大学教授、博士生导师，现任计算机与信息技术学院副院长。担任中国计算机学会人工智能与模式识别专委会副主任，中国人工智能学会机器学习专委会常委，《中国科学》青年编委，入选国家级青年人才计划、教育部创新团队负责人、北京市课程思政教学名师、北京市海淀区人大代表、北京交通大学卓越百人，获评北京交通大学“巾帼十杰”、“优秀教师”等。主持多项省部级、国家级项目，包括国家自然基金优青项目、科技部新一代人工智能重大专项、国防科技创新重点项目、北京市自然基金重点研究专题等。研究方向主要聚焦机器学习理论算法、大模型架构、及其在智能领域的应用，先后提出一系列高维数据表示、弱监督学习、可解释学习理论和方法、以及大模型解释与对抗防御方法，研究成果近年来在国内外**学术期刊和会议上发表，并成功应用于智能交通、智能芯片、智能教育、智能国防等领域。

前言PREFACE 近年来，人工智能技术的飞速发展重塑了科技与产业的格局。机器学习作为其核心驱动力，正以前所未有的深度和广度渗透至科学研究、工业应用及社会生活的方方面面。尤其是大规模预训练模型的兴起，更是将机器学习推向了全新的高度。从早期的规则系统到深度学习，再到如今各种大模型在自然语言处理、计算机视觉及智能决策等领域的突破，这些进展不仅拓宽了机器学习的应用边界，也不断催生着更丰富、更复杂的技术生态。如何在这一背景下，系统掌握机器学习的理论基础和实践技能，成为广大学者、学生及业界从业者共同关注的关键问题。 本书正是在这样的大环境下应运而生。它既是笔者与北京交通大学于剑教授所著《机器学习： 从公理到算法》一书的延伸，又在此基础上加入了更多面向实际应用与前沿研究的内容。与公理化思路较为鲜明、侧重从理论公理推导到算法实现的《机器学习： 从公理到算法》相比，本书在保持理论严谨性的同时，更注重实践性和前沿性，力图帮助读者快速上手真实应用场景中所需的机器学习关键技术，并理解大模型时代不断涌现的新思路、新方法。 在本书的整体架构上，我们分绪论、数据表示、学习模型和算法平台四部分展开，循序渐进、层层深入地介绍机器学习的核心概念、方法与实战要点。 第一部分： 绪论 作为构建机器学习知识体系的基石，本部分为深入理解后续内容奠定概念与理论基础。首先概述人工智能发展历史与机器学习发展历程，继而阐释机器学习基本概念与学习类型，最后解析支撑机器学习的常用理论与定理。 第二部分： 数据表示 数据是机器学习的基石。准确、有效地表示数据不仅能够提升模型性能...