Zhou Zhihua’s introductory textbook on machine learning—covering topics from model evaluation to classic algorithms—is ideal for learners who want to solidify their theoretical foundation and understand the logic behind model selection.
很多人能够调用模型，却很难解释为什么某个方法有效、换一批数据为何失灵。《机器学习》适合用来补上这层基础：把学习任务、模型假设、训练过程与评估方法放进同一张知识地图。它不是教人追赶某个热门接口的操作手册，而是帮助读者建立判断算法的语言。对于正在学习生成式AI的人，这类基础训练的价值在于，遇到一个新模型时，不只问“参数有多大”，也会问训练数据、目标函数和测试条件分别是什么。
本条介绍清华大学出版社出版、周志华著的《机器学习》，ISBN为9787302423287，出版日期为2016年1月1日。它常被读者称为“西瓜书”。这是基础教材推荐，不是新书发布消息；书目页面上的后续印刷日期也不等于新版发行日期。作者为南京大学教授，研究方向包括机器学习和数据挖掘。
全书以机器学习概念和模型评估为入口，介绍决策树、神经网络、支持向量机、贝叶斯方法、集成学习、聚类等方法，并延伸至特征选择、概率图模型和强化学习等主题。建议把重点放在每种方法的适用假设、优化目标和失效条件，而不是把算法名称背成清单。阅读分类方法时，可以反复追问：边界由什么决定，哪些样本最影响结果，特征尺度改变后会发生什么？这些问题能帮助你把公式转成可解释的直觉。
更适合计算机及相关专业学生、希望转向机器学习的开发者，以及已经做过简单项目但理论结构零散的读者。线性代数、概率统计和微积分基础会明显降低阅读阻力；有Python经验方便自己做实验，但这不是一本逐行带练Python的书。如果你目前只想提升聊天工具使用效率，或者需要今天就上线一个应用，它通常不是最快的第一站。可以先完成一个小项目，再带着问题回到教材。
第一轮先读任务定义与评估，把训练集、验证集和测试集的职责写清楚。第二轮选一个小型表格数据集，用简单基线固定住问题，再逐步比较不同方法。每次只改变一个条件，记录准确率以外的代价，例如训练时间、对样本量的敏感性和结果解释难度。第三轮再回到推导，检查公式中的每个量是否能在自己的实验里找到对应对象。遇到暂时看不懂的证明可以标记后继续，不必因为某一页卡住就放弃整条学习路径。
本书不能代替现代深度学习框架文档，也不是大语言模型部署、向量数据库或智能体工程的专门指南。理解推导之后，仍需通过代码、数据清洗和误差分析建立实践能力。与《机器学习方法（第2版）》相比，本书适合建立较完整的机器学习知识地图；偏好对具体模型进行数学推导的读者，可以按自己的课程安排对照阅读。与《人工智能数学基础》相比，它更靠近算法本身；若你反复被矩阵、概率和优化符号打断，先补数学往往比硬读更有效。
建议最终产出一份自己的模型选择笔记：每个方法只写任务、关键假设、训练目标、优缺点和一个失败案例。再为同一数据集保留可重复运行的实验记录。能解释“为什么没选更复杂的模型”，通常比复述更多算法名称更能证明理解。对准备面试或进一步研究的读者，这份笔记也比单纯划重点更容易复用。
简体中文 简体中文 
English