然而，随着 AI 技术的快速发展，特别是深度学习的飞跃式进展，一本仅覆盖传统机器学习的教材，已无法全面反映当前机器学习技术的全貌。 而近期，AI 圈对于强化学习的关注也在迅速升温。从大模型与智能体的融合尝试，到强化学习在游戏、机器人控制、决策优化中的广泛应用，这一方向再次成为焦点。然而，此前许多教材对此涉及较少，甚至完全缺席，导致很多人无法系统学习。 现在这个问题也解决了。李航老师全新上线新书《机器学习方法（第 2 版）》，将强化学习独立成篇，系统介绍了强化学习的基本框架与代表算法，包括马尔可夫决策过程、多臂老虎机问题、深度 Q 网络等。 至此，《机器学习方法（第 2 版）》构建起了一个覆盖监督学习、无监督学习、深度学习与强化学习的完整知识框架，为希望系统学习 AI 的读者提供了由浅入深、循序渐进的学习路径。 第 1 篇：介绍监督学习的主要方法，包括线性回归、感知机、支持向量机、最大熵模型与逻辑斯谛回归、提升方法、隐马尔可夫模型和条件随机场等。第 2 篇：介绍无监督学习的主要方法，包括聚类、奇异值分解、主成分分析、马尔可夫链蒙特卡罗法、EM 算法、潜在语义分析、潜在狄利克雷分配等。第 3 篇：介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、Transformer、扩散模型、生成对抗模型等。第 4 篇：介绍强化学习的主要方法，包括马尔可夫决策、多臂老虎机、近端策略优化、深度 Q 网络等。 除了新增篇章，《机器学习方法（第 2 版）》还增加了若干监督学习方法，如线性回归；基于读者的反馈，新书对监督学习的大部分内容和无监督学习的少部分内容做了大幅修改，删除了一部分目前已不常用的技术，如部分机器学习优化算法。 书中每章会介绍一两种机器学习方法，详细叙述各个方法的模型、策略和算法。从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨翔实，让读者更好地掌握基本原理和概念。 本书主要定位为大学教材或辅助读物，以及专业人员的参考书。假设读者已具备一定的微积分、线性代数、概率统计和计算机科学知识。本书并不试图涵盖所有内容，而是希望对最基本、最常用的技术进行透彻的讲解和分析，帮助读者学习和掌握。 李航老师表示，该书从 2018 年开始写作，中间历经 2022 年出版的《机器学习方法》第 1 版（增加了深度学习内容），至 2024 年 12 月完成《机器学习方法（第 2 版）》，历经 7 年时间，按照李航老师最初写作《统计学习方法》时的规划，完成了最终版。 李航，ACM Fellow，ACL Fellow，IEEE Fellow。京都大学毕业，东京大学博士。曾就职于 NEC 公司中央研究所、微软亚洲研究院、华为诺亚方舟实验室，目前在字节跳动 Seed 部门工作。主要研究方向为自然语言处理、信息检索、机器学习、数据挖掘。
