作為人工智能的核心技術(shù)方法，機器學(xué)習(xí)已經(jīng)成為了一種重要且有效的數(shù)據(jù)分析工具，并且已經(jīng)取得了令人驚嘆的成就。本書主要針對數(shù)據(jù)中含有異常點或數(shù)據(jù)服從重尾分布的問題，基于機器學(xué)習(xí)三要素，從模型構(gòu)建、理論分析、算法求解及實驗驗證等方面對機器學(xué)習(xí)方法進行研究和介紹。
全書共6章。第1章為機器學(xué)習(xí)基礎(chǔ)知識，主要包括兩大部分的內(nèi)容，第一部分介紹了機器學(xué)習(xí)的基本問題、基本概念以及基本類型等，第二部分介紹了機器學(xué)習(xí)基本模型回歸模型的發(fā)展現(xiàn)狀，方便讀者理解本書撰寫的目的和動機。
第2章是對基于正則化方法的回歸模型的介紹，主要介紹了多種廣泛使用的正則化方法，并詳細(xì)分析了各種方法的優(yōu)缺點。
第3章主要介紹自加權(quán)魯棒正則化方法。通過機器學(xué)習(xí)模型自加權(quán)，有效提高了模型的魯棒性，為含噪聲數(shù)據(jù)分析提供了高效的學(xué)習(xí)方法。
第4章針對重尾分布數(shù)據(jù)中的自變量相關(guān)性問題，從問題分析、模型構(gòu)建、理論分析以及求解算法等方面進行了詳細(xì)介紹，為此類型數(shù)據(jù)的分析提供了有效的方法和相應(yīng)的理論支撐。
第5章介紹了數(shù)據(jù)中因變量相關(guān)性問題的機器學(xué)習(xí)分析方法，構(gòu)建了具有鄰近樣本信息的回歸模型，給出相應(yīng)的回歸系數(shù)估計方法，并給出了所提估計的誤差界證明，從回歸建模的角度為網(wǎng)絡(luò)數(shù)據(jù)的分析奠定了基礎(chǔ)。
第6章針對網(wǎng)絡(luò)數(shù)據(jù)中變量相關(guān)性問題，取得基于Elastic Net回歸，構(gòu)建了適用于網(wǎng)絡(luò)數(shù)據(jù)的Elastic Net回歸模型，同時給出了相應(yīng)的求解算法，為應(yīng)用于實際問題提供了指導(dǎo)。
本書主要介紹了如何利用機器學(xué)習(xí)方法對數(shù)據(jù)進行有效分析，具體來說，旨在針對復(fù)雜或含噪聲數(shù)據(jù)中所存在的問題，研究能夠保證學(xué)習(xí)模型魯棒性和泛化性的技術(shù)或方法，從而能夠有效應(yīng)用于實際問題。因此本書既可供數(shù)據(jù)分析、人工智能相關(guān)專業(yè)師生閱讀，也可供相關(guān)領(lǐng)域的工程技術(shù)人員、研究人員參考。
本書是筆者在博士期間所做研究工作的基礎(chǔ)上修訂而成的，因此對導(dǎo)師王文劍教授以及母校山西大學(xué)多位教授的指導(dǎo)表示感謝。
此外，本書受國家自然科學(xué)基金面上項目（No.61673249）、山西省基礎(chǔ)研究計劃項目（202103021223295）、大數(shù)據(jù)分析與并行計算山西省重點實驗室開放課題（編號：BDPC-23-002）、山西省高等學(xué)校科技創(chuàng)新計劃項目（2021L323）、太原科技大學(xué)科研啟動金項目（20212054）、智能信息處理山西省重點實驗室開放課題基金資助項目（編號：CICIP2023007）、來晉工作優(yōu)秀博士獎勵基金（20232062）項目資助，在此深表感謝！
由于筆者水平、時間和精力所限，書中難免有不足，希望讀者批評指正。

著者