本书是机器学习实战领域的一本佳作，从机器学习的基本概念讲起，旨在将初学者引入机器学习的大门，并走上实践的道路。本书通过讲解机器学习中的监督学习和无监督学习，并结合特征选择和排序、聚类方法、文本和网页挖掘等热点问题，论证了“优化是力量之源”这一观点，为机器学习在企业中的应用提供了切实可行的操作建议。


如今是人工智能高歌猛进的时代，机器学习的发展也如火如荼。然而，复杂的数学公式和难解的专业术语容易令刚接触这一领域的学习者望而生畏。有没有这样一本机器学习的书，能摒弃复杂的公式推导，带领读者通过实践来掌握机器学习的方法？

《机器学习与优化》正是这样一本书！它的写作脱胎于意大利特伦托大学机器学习与智能优化实验室（LION lab）的研究项目，语言轻松幽默，内容图文并茂，涵盖了机器学习中可能遇到的各方面知识。更重要的是，书中特别介绍了两个机器学习的应用，即信息检索和协同推荐，让读者在了解信息结构的同时，还能利用信息来预测相关的推荐项。

本书作者以及读者群发布的数据、指导说明和教学短片都可以在本书网站上找到：https://intelligent-optimization.org/LIONbook/。

本书内容要点：
● 监督学习——线性模型、决策森林、神经网络、深度和卷积网络、支持向量机等
● 无监督模型和聚类——K均值、自底而上聚类、自组织映射、谱图绘制、半监督学习等
● 优化是力量之源——自动改进的局部方法、局部搜索和反馈搜索优化、合作反馈搜索优化、多目标反馈搜索优化等
● 应用精选——文本和网页挖掘，电影的协同推荐系统

第 1 章　引言
第 2 章　懒惰学习：最近邻方法
第 3 章　学习需要方法
第一部分　监督学习
第 4 章　线性模型
第 5 章　广义线性最小二乘法
第 6 章　规则、决策树和森林
第 7 章　特征排序及选择
第 8 章　特定非线性模型
第 9 章　神经网络：多层感知器
第 10 章　深度和卷积网络
第 11 章　统计学习理论和支持向量机
第 12 章　最小二乘法和健壮内核机器
第 13 章　机器学习中的民主
第 14 章　递归神经网络和储备池计算
第二部分　无监督学习和聚类
第 15 章　自顶向下的聚类：K 均值
第 16 章　自底向上（凝聚）聚类
第 17 章　自组织映射
第 18 章　通过线性变换降维（投影）
第 19 章　通过非线性映射可视化图与网络
第 20 章　半监督学习
第三部分　优化：力量之源
第 21 章　自动改进的局部方法
第 22 章　局部搜索和反馈搜索优化
第 23 章　合作反馈搜索优化
第 24 章　多目标反馈搜索优化
第四部分　应用精选
第 25 章　文本和网页挖掘
第 26 章　协同过滤和推荐

【作者简介】

罗伯托·巴蒂蒂（Roberto Battiti）
人工智能领域先驱，IEEE会士。因在无功搜索优化（RSO）方向做出了开创性的工作而名震学界。 目前为意大利特伦托大学教授，同时担任特伦托大学机器学习与智能优化实验室（LION lab）主任。

毛罗·布鲁纳托（Mauro Brunato）
意大利特伦托大学助理教授，LION研究团队成员。


【译者简介】

王彧弋
博士，现于瑞士苏黎世联邦理工学院从事研究工作，主要研究方向为理论计算机科学与机器学习。