计算机科学家周志华（Zhi-Hua Zhou）教授的著作，是一本系统而全面的机器学习教材。以下是这本书的主要内容概述：
导论和基础知识： 介绍了机器学习的基本概念、范式、应用领域和发展历史。涉及了监督学习、无监督学习、强化学习等不同类型的学习。
模型评估与选择： 介绍了评估机器学习模型性能的方法，包括交叉验证、性能度量等。强调了在实际问题中正确使用这些评估方法的重要性。
线性模型： 包括了线性回归和逻辑回归等线性模型的基本原理、应用和优化方法。这是机器学习中最基础和常用的模型之一。
非线性模型： 探讨了决策树、神经网络等非线性模型的原理和应用。介绍了集成学习方法如随机森林和梯度提升树。
聚类： 讨论了无监督学习中的聚类问题，包括K均值聚类、层次聚类等算法。强调了聚类在数据分析和模式发现中的应用。
降维与度量学习： 介绍了降维技术，如主成分分析（PCA），以及度量学习的基本概念。这对于处理高维数据和相似度学习至关重要。
贝叶斯网络： 引入了概率图模型中的贝叶斯网络，探讨了其在不确定性建模和推理中的应用。
规则学习与强化学习： 包括归纳逻辑程序设计、基于例子的学习等规则学习方法，以及强化学习的基本概念和算法。
半监督学习与多实例学习： 探讨了使用部分标记数据的半监督学习方法，以及多实例学习中的问题和解决方案。
大数据与深度学习： 引入了大数据和深度学习的概念，包括深度神经网络、卷积神经网络和循环神经网络等。
书：pan.baidu.com/s/1CeUQtV0J3dzgAakfCrJFPg
提取码：k2ot