Ameet V.Joshi，博士，目前是微软的一名数据科学经理。他于2006年在密歇根州立大学获得博士学位。他拥有超过15年的机器学习算法开发方面的经验，涉及各种不同的工业领域，包括管道检查、家庭能源分解、微软Cortana智能和CRM中的商务智能。此前，他曾担任Belkin International的机器学习专家和Microline Technology Corp．的研究主管。他是多个技术委员会的成员，在许多会议和期刊上发表过文章，也是多本书籍的编著者之一。他还拥有两项专利，并获得多个行业奖项，包括IEEE高级会员（只有8%的会员获得）。

序
前言
致谢

第一部分 简介
第1章 人工智能和机器学习简介
1．1 引言
1．2 什么是人工智能
1．3 什么是机器学习
1．4 本书的结构
1．4．1 简介
1．4．2 机器学习
1．4．3 构建端到端管道
1．4．4 人工智能
1．4．5 实现
1．4．6 结语
第2章 人工智能和机器学习的基本概念
2．1 引言
2．2 大数据和非大数据
2．2．1 什么是大数据
2．2．2 为什么我们应该区别对待大数据
2．3 学习类型
2．3．1 监督学习
2．3．2 无监督学习
2．3．3 强化学习
2．4 基于时间的机器学习方法
2．4．1 静态学习
2．4．2 动态学习
2．5 维数
2．6 线性和非线性
2．7 奥卡姆剃刀原理
2．8 “没有免费的午餐”定理
2．9 收益递减规律
2．10 机器学习的早期趋势
2．11 小结
第3章 数据的理解、表示和可视化
3．1 引言
3．2 理解数据
3．2．1 理解实体
3．2．2 理解属性
3．2．3 理解数据类型
3．3 数据的表示和可视化
3．3．1 主成分分析
3．3．2 线性判别分析
3．4 小结

第二部分 机器学习
第4章 线性方法
4．1 引言
4．2 线性模型和广义线性模型
4．3 线性回归
4．3．1 定义问题
4．3．2 解决问题
4．4 正则化的线性回归
4．4．1 正则化
4．4．2 岭回归
4．4．3 Lasso回归
4．5 广义线性模型
4．6 k最近邻算法
4．6．1 KNN的定义
4．6．2 分类和回归
4．6．3 KNN的其他变体
4．7 小结
第5章 感知器和神经网络
5．1 引言
5．2 感知器
5．3 多层感知器或人工神经网络
5．3．1 前馈操作
5．3．2 非线性多层感知器或非线性人工神经网络
5．3．3 训练多层感知器
5．3．4 隐藏层
5．4 径向基函数网络
5．5 过度拟合与正则化
5．5．1 L1和L2正则化
5．5．2 丢弃正则化
5．6 小结
第6章 决策树
6．1 引言
6．2 为什么使用决策树
6．3 构建决策树的算法
6．4 回归树
6．5 分类树
6．6 决策指标
6．6．1 误分类误差
6．6．2 基尼指数
6．6．3 交叉熵或偏差
6．7 卡方自动交叉检验
6．8 训练决策树
6．9 集成决策树
6．10 Bagging集成树
6．11 随机森林
6．12 Boosted集成树
6．12．1 AdaBoost
6．12．2 梯度提升
6．13小结
……

第三部分 构建端到端管道
第四部分 人工智能
第五部分 实现
第六部分 结语

参考文献