一本新的机器学习教材

春节过后，拿到清华大学张旭东教授新教材《机器学习导论》样书。

这是一本新的机器学习教材，作者在传统机器学习和深度学习方面作了良好的平衡，是一部清晰的、条理性很好的教材，是作者在清华大学电子工程系“机器学习”课程教材实践基础上编著的，内容在深度、新度上取材都适当，是一部不错的机器学习教材。

作者在前言中，将教材分为六部分，我精炼一下可认为分为三部分就可以了。第一部分是基础；第二部分是传统机器学习；第三部分是深度学习和强化学习。

第一部分基础，一章介绍了机器学习的各类概念，一章介绍了机器学习需要的统计和优化基础，把学习机器学习需要的一些基础知识作了介绍，例如概率实例、最大似然原理、贝叶斯原理、信息论基础和优化基础，为缺乏这些基础的读者补一下基础知识，接下来是一章决策论基础。这一部分基本是为比较缺乏相关基础的读者补一补知识。

第二部分包括7章，是传统机器学习的内容：包括分类一章、回归一章，包括了线性回归、基函数回归、稀疏线性回归、逻辑回归、朴素贝叶斯、fisher判别函数等最基本的学习算法，这两章还包含了机器学习理论的概述。然后以三章详细的介绍了：核函数与支持向量机、决策树、集成学习，这三类重要算法的介绍都很详细和深入，还有一些说明性的实例帮助理解算法。第二部分还包括了两章无监督学习，内容有：聚类、em算法和软聚类，主成分分析和独立成分分析等。这一部分的介绍深度似与李航老师“统计学习”的深度差不多。

这本教材与李航老师、周志华老师的教材最大不同，是用了5章的篇幅，介绍了深度学习和强化学习，可看作是国内第二代的机器学习教材。

有三章篇幅介绍了深度学习，其中一章介绍一般全连接神经网络或称为多层感知机（mlp），从目标函数、神经网络优化，非常详细深入的反向传播算法（bp）到正则化。一章详细介绍了目前主流的卷积神经网络（cnn）和循环神经网络（rnn 、lstm、gru），包括结构和训练，各自的网络实例。一章介绍了深度学习中的技术和新进展，包括深度学习的优化技术、归一化和dropout等，也包括了一些新的网络，例如自编码器、生存对抗网络gan、注意力机制和transformer等。

强化学习有两章，一章是基于经典表格式的强化学习算法，介绍了强化学习的概念和基本算法，mdp、贝尔曼方程、动态规划、蒙特卡洛学习、td算法、q学习等。另一章介绍了深度强化学习，包括函数逼近、策略梯度、深度连续策略ddpg等算法。

这本教材在清华大学电子系机器学习课程中以讲义方式试用后出版，内容比较全面深入，讲的比较清晰，也比较前言，附录中有大作业实例可供参考。是一本值得推荐的新教材。