统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等

第1章 绪论 2 第2章 机器学习概述 22 第3章 线性模型 53 第4章 前馈神经网络 78 第5章 卷积神经网络 105 第6章 循环神经网络 129 第7章 网络优化与正则化 153 第8章 注意力机制与外部记忆 192 第9章 无监督学习 213 第10章 模型独立的学习方式 228 第11章 概率图模型 253 第12章 深度信念网络 288 第13章 深度生成模型 308 第14章 深度强化学习 329 第15章 序列生成模型 355

机器学习是计算机科学的重要分支领域，本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1~3章）介绍机器学习的基础知识：第2部分（第4~10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习)：第3部分（第11~16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索

《机器学习》课程教学资源：《动手学深度学习》参考书籍PDF电子版 Release 2.0.0-beta0（共十六章）

7.1 文件的基本概念 7.2 顺序文件的建立 7.3 顺序文件的读取 7.4 顺序文件中数据的编辑 7.5 随机文件的建立 7.6 随机文件的读取

6.1 模块化程序设计的意义 6.2 Sub子过程 6.3 Function过程 6.4 参数传递 6.5 变量、过程的作用域 6.6 应用举例 6.7 过程的递归调用

5.1 程序设计的一般方法 5.2 一般计算问题 5.3 穷举法求解问题 5.4 递推和迭代法求解问题 5.5 排序问题 5.6 查找问题

4.1 数组的概念 4.2 数组的赋值 4.3 数组的输出 4.4 控件数组 4.5 自定义数据类型

3.1 顺序结构 3.2 选择结构 3.3 循环结构 3.4 嵌套 3.5 DO循环的其他结(自学)

2.1 数据类型 2.2 变量与常量 2.3 内部函数 2.4 VB表达式 2.5 VB编码规则