機(jī)器學(xué)習(xí)(ＭａｃｈｉｎｅＬｅａｒｎｉｎｇＭＬ)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論凸分析和算法復(fù)雜度理論等多門學(xué)科。機(jī)器學(xué)習(xí)專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能，它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域。
網(wǎng)絡(luò)音樂現(xiàn)在已成為僅次于即時(shí)通信、搜索引擎的第三大互聯(lián)網(wǎng)應(yīng)用。隨著數(shù)字音樂內(nèi)容的迅速增長(zhǎng)以及人們對(duì)音樂鑒賞需求的增強(qiáng)，音樂信息的分類檢索受到了越來越多的關(guān)注，人工分類標(biāo)注已經(jīng)遠(yuǎn)遠(yuǎn)跟不上網(wǎng)絡(luò)數(shù)據(jù)的更新速度，無法滿足互聯(lián)網(wǎng)對(duì)海量音樂數(shù)據(jù)存儲(chǔ)、傳輸、欣賞、研究的新要求，越來越龐大的數(shù)字音樂數(shù)據(jù)庫(kù)需要智能化的分類管理和存儲(chǔ)，音樂分類系統(tǒng)受到了廣大網(wǎng)民和有關(guān)從業(yè)人員越來越廣泛的關(guān)注。面對(duì)網(wǎng)絡(luò)音樂資源的爆炸式增長(zhǎng)，如何從海量數(shù)字音樂資源中準(zhǔn)確、高效地為用戶推送其感興趣的高質(zhì)量音樂內(nèi)容，并為其構(gòu)建滿足個(gè)人喜好的播放列表已成為國(guó)內(nèi)外學(xué)術(shù)界關(guān)注的熱點(diǎn)問題。音樂分類系統(tǒng)和個(gè)性化音樂推薦系統(tǒng)已經(jīng)逐漸成為理論研究和實(shí)際應(yīng)用的一個(gè)新熱點(diǎn)。
將機(jī)器學(xué)習(xí)算法應(yīng)用于網(wǎng)絡(luò)音樂自動(dòng)分類，不僅可以節(jié)省大量的人力和物力，而且不會(huì)由于人的主觀因素造成分類不準(zhǔn)確的情況，從而提高分類的準(zhǔn)確率。將機(jī)器學(xué)習(xí)算法應(yīng)用于音樂推薦，可以使用戶從海量的網(wǎng)絡(luò)音樂中快速找到自己感興趣的音樂，并且有著不錯(cuò)的準(zhǔn)確率和召回率。
本書主要可以分為兩大部分：第１部分( 第1～4章)為基礎(chǔ)部分，第2部分(第５～８章)為應(yīng)用部分，各章主要內(nèi)容如下：
第1章機(jī)器學(xué)習(xí)簡(jiǎn)介。介紹了機(jī)器學(xué)習(xí)的概念、機(jī)器學(xué)習(xí)的發(fā)展及研究現(xiàn)狀；機(jī)器學(xué)習(xí)的分類，并從學(xué)習(xí)方式的維度將機(jī)器學(xué)習(xí)分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)４類，介紹了各類的特點(diǎn)、適用問題以及學(xué)習(xí)過程；最后列舉了常用的機(jī)器學(xué)習(xí)算法。
第２章音樂、數(shù)字音樂與網(wǎng)絡(luò)音樂。介紹了音樂的藝術(shù)形式、產(chǎn)生、發(fā)展及音樂的要素，數(shù)字音樂的存儲(chǔ)與表示，網(wǎng)絡(luò)音樂的發(fā)展與特征。
第３章網(wǎng)絡(luò)音樂的分類與推薦基礎(chǔ)。介紹了音樂信息檢索的幾大要素，音樂不同維度的分類方式，網(wǎng)絡(luò)音樂自動(dòng)分類與推薦的研究現(xiàn)狀。
第４章機(jī)器學(xué)習(xí)中的分類與推薦算法。介紹了機(jī)器學(xué)習(xí)中的分類算法，主要包括樸素貝葉斯、決策樹、K-近鄰、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)，具體介紹了每種算法的概念、原理及學(xué)習(xí)過程，介紹了機(jī)器學(xué)習(xí)中的推薦方法，包括基于內(nèi)容的推薦、協(xié)同過濾推薦、基于馬爾可夫模型的推薦和混合推薦，具體介紹了每種推薦方法的原理及優(yōu)缺點(diǎn)，以及推薦算法評(píng)價(jià)指標(biāo)。
第５章基于支持向量機(jī)的音樂流派分類，提出了一種基于ＳＶＭ分類器的音樂流派自動(dòng)分類方法。該方法在特征選擇的過程中將過濾式特征選擇(Relif F) 法和封裝式特征選擇(ＳＦＳ) 算法兩種算法結(jié)合在一起，結(jié)合ＳＶＭ分類器進(jìn)行音樂流派分類，可以獲得較高的分類準(zhǔn)確率以及計(jì)算效率。
第６章基于K-近鄰的音樂流派自動(dòng)分類，提出了一種DW-KNN算法進(jìn)行音樂流派自動(dòng)分類。該算法在傳統(tǒng)ＫＮＮ算法上進(jìn)行了兩方面的改進(jìn)，可以有效地解決傳統(tǒng)ＫＮＮ算法在分類過程中忽略屬性與類別的相關(guān)程度的問題，以及在類別判斷過程中只考慮近鄰樣本的個(gè)數(shù)而忽略了近鄰樣本與待分類樣本之間存在的相似性差異的問題。
第７章基于社交網(wǎng)絡(luò)與協(xié)同過濾的推薦算法，提出了一種將社交網(wǎng)絡(luò)與協(xié)同過濾相結(jié)合的音樂推薦算法，該算法將社交網(wǎng)絡(luò)中社交關(guān)系屬性融入了推薦系統(tǒng)中，彌補(bǔ)了傳統(tǒng)的協(xié)同過濾中沒有考慮社交屬性的缺陷，可以有效緩解無歷史行為數(shù)據(jù)用戶的冷啟動(dòng)問題。
第８章基于用戶即時(shí)興趣的推薦算法，提出了一種基于用戶即時(shí)興趣的歌曲推薦算法，該算法基于用戶的即時(shí)行為進(jìn)行在線推薦，將一階馬爾可夫模型與協(xié)同過濾推薦思想相結(jié)合，構(gòu)造歌曲間的轉(zhuǎn)移概率矩陣用于生成推薦，同時(shí)考慮了時(shí)間因素對(duì)推薦結(jié)果的影響。
最后，值此書稿完成之際謹(jǐn)向所有給予我?guī)椭�的朋友和家人表示衷心的感謝!感謝機(jī)械工業(yè)出版社為本書付出不懈努力的工作人員和相關(guān)人士，是你們的專業(yè)使得本書順利出版!感謝朋友們提供無私的支持和幫助，與你們的探討與交流總是不斷地給我啟發(fā)和激勵(lì)!感謝家人對(duì)我的支持、理解、包容和鼓勵(lì)，你們無私的愛給予我最大的支持和動(dòng)力!最后特別感謝我的女兒暄暄，感謝你在媽媽整天埋頭寫書沒有太多時(shí)間陪伴你的情況下，仍然最愛媽媽。寶貝，媽媽也最愛你!
吳梅梅