本书从“监督学习模型和非监督学习模型”入手，系统而详细地介绍常用的机器学习模型。
（1）监督学习模型
本书首先介绍线性模型，如线性回归、Logistic回归、线性支持向量机等，具体包括模型的基本概念、训练与应用；其次介绍非线性模型，如核方法（非线性支持向量机）、决策树、神经网络等；再次介绍集成学习模型，如随机森林、基于决策树的梯度提升、LightGBM 等；最后介绍神经网络模型及其训练。
（2）非监督学习模型
本书首先讲解了常用的线性降维技术，如主成分分析等，以及非线性降维技术，如等距特征映射、局部线性映射、拉普拉斯特征映射和基于 T 分布的随机邻域嵌入等；然后介绍了聚类模型算法，包括 K 均值、混合高斯模型、层次聚类、均值漂移聚类、基于密度峰值的聚类和基于深度学习的聚类等。

卿来云
中国科学院研究生院计算机博士，中国科学院大学计算机学院教授，长期从事机器学习、计算机视觉和数据压缩方面的科研与教学工作，主要研究领域涉及机器学习、图像识别和视频内容分析等。

黄庆明
中国科学院大学讲席教授、博导，国家杰出青年科学基金获得者，百千万人才工程国家级人选，被授予“有突出贡献中青年专家”荣誉称号，享受国务院政府特殊津贴。IEEE Fellow，IEEE CASS北京分会主席，CCF理事，CCF会士，北京市图像图形学会副理事长。主要研究方向涉及机器学习、计算机视觉、多媒体计算、图像与视频分析、模式识别等。主持国家重点研发计划、973课题等项目20余项，多次获得省部级科技奖励。