機器之心報道

機器之心編輯部

每個領域的發展，都離不開幾本奠定基礎的經典書籍，人工智能亦是如此。

此前，李航老師的《統計學習方法》《統計學習方法（第 2 版）》可以說是機器學習寶典，很多學生、老師都將此書奉為必讀書籍。

然而，隨著 AI 技術的快速發展，特別是深度學習的飛躍式進展，一本僅覆蓋傳統機器學習的教材，已無法全面反映當前機器學習技術的全貌。

因此，李航老師在前兩版的基礎上，又推出了《機器學習方法》，新增深度學習內容。

而近期，AI 圈對于強化學習的關注也在迅速升溫。從大模型與智能體的融合嘗試，到強化學習在游戲、機器人控制、決策優化中的廣泛應用，這一方向再次成為焦點。然而，此前許多教材對此涉及較少，甚至完全缺席，導致很多人無法系統學習。

現在這個問題也解決了。李航老師全新上線新書《機器學習方法（第 2 版）》，將強化學習獨立成篇，系統介紹了強化學習的基本框架與代表算法，包括馬爾可夫決策過程、多臂老虎機問題、深度 Q 網絡等。

全書共分為4 篇（ 或 4 冊），對應監督學習、無監督學習、深度學習和強化學習4 個主要分支。

至此，《機器學習方法（第 2 版）》構建起了一個覆蓋監督學習、無監督學習、深度學習與強化學習的完整知識框架，為希望系統學習 AI 的讀者提供了由淺入深、循序漸進的學習路徑。

第 1 篇：介紹監督學習的主要方法，包括線性回歸、感知機、支持向量機、最大熵模型與邏輯斯諦回歸、提升方法、隱馬爾可夫模型和條件隨機場等。第 2 篇：介紹無監督學習的主要方法，包括聚類、奇異值分解、主成分分析、馬爾可夫鏈蒙特卡羅法、EM 算法、潛在語義分析、潛在狄利克雷分配等。第 3 篇：介紹深度學習的主要方法，包括前饋神經網絡、卷積神經網絡、循環神經網絡、Transformer、擴散模型、生成對抗模型等。第 4 篇：介紹強化學習的主要方法，包括馬爾可夫決策、多臂老虎機、近端策略優化、深度 Q 網絡等。

《機器學習方法（第 2 版）》第 4 篇部分目錄

除了新增篇章，《機器學習方法（第 2 版）》還增加了若干監督學習方法，如線性回歸；基于讀者的反饋，新書對監督學習的大部分內容和無監督學習的少部分內容做了大幅修改，刪除了一部分目前已不常用的技術，如部分機器學習優化算法。

書中每章會介紹一兩種機器學習方法，詳細敘述各個方法的模型、策略和算法。從具體例子入手，由淺入深，幫助讀者直觀地理解基本思路，同時從理論角度出發，給出嚴格的數學推導，嚴謹翔實，讓讀者更好地掌握基本原理和概念。

《機器學習方法（第 2 版）》第 4 篇部分內容，可以看出有公式，有圖表，非常適合當教材。

為滿足讀者進一步學習的需要，書中還對各個方法的要點進行了總結，給出了一些習題，并列出了主要參考文獻。

習題示例，利于讀者鞏固知識

進一步的，為了增加可讀性，整本書中盡量統一了符號用法；修改了大大小小幾十處錯誤；重新繪制了幾乎所有的插圖。

本書主要定位為大學教材或輔助讀物，以及專業人員的參考書。假設讀者已具備一定的微積分、線性代數、概率統計和計算機科學知識。本書并不試圖涵蓋所有內容，而是希望對最基本、最常用的技術進行透徹的講解和分析，幫助讀者學習和掌握。

李航老師表示，該書從 2018 年開始寫作，中間歷經 2022 年出版的《機器學習方法》第 1 版（增加了深度學習內容），至 2024 年 12 月完成《機器學習方法（第 2 版）》，歷經 7 年時間，按照李航老師最初寫作《統計學習方法》時的規劃，完成了最終版。

作者介紹

李航，ACM Fellow，ACL Fellow，IEEE Fellow。京都大學畢業，東京大學博士。曾就職于 NEC 公司中央研究所、微軟亞洲研究院、華為諾亞方舟實驗室，目前在字節跳動 Seed 部門工作。主要研究方向為自然語言處理、信息檢索、機器學習、數據挖掘。