本书系统阐述了机器学习的基本理论、算法和实现。全书共11章：第1章着重介绍了机器学习的基本知识；第2章介绍了样本数据预处理和提取的传统算法(如PCA和LDA)，并增加了流形学习和稀疏表征等理论；第3-8章系统介绍了传统机器学习算法，如监督学习(贝叶斯、最近邻、线性模型、非线性模型和集成学习)和非监督学习(聚类)；第9、10章分别介绍了概率图模型和人工神经网络的基本理论；第11章着重讲述了强化学习的基本理论和算法。本书针对理论难点，插入了可视化图，引导读者对理论的理解；每章配有习题，以便指导读者深入地进行学习。每章还配有基于Python的实验，便于工程类读者快速将理论转化为实践应用，也方便学术型读者编程实现。