机器学习

出版日期:2016-1-1
ISBN:9787302423288
作者:周志华
页数:425页

作者简介

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介.

全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书.

书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考.

本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

书籍目录

目录

第1章 1

1.1 引言 1

1.2 基本术 2

1.3 假设空间 4

1.4 归纳偏好 6

1.5 发展历程 10

1.6 应用现状 13

1.7 阅读材料 16

习题 19

参考文献 20

休息一会儿 22

第2章 模型评估与选择 23

2.1 经验误差与过拟合 23

2.2 评估方法 24

2.2.1 留出法 25

2.2.2 交叉验证法 26

2.2.3 自助法 27

2.2.4 调参与最终模型 28

2.3 性能度量 28

2.3.1 错误率与精度 29

2.3.2 查准率、查全率与F1 30

2.3.3 ROC与AUC 33

2.3.4 代价敏感错误率与代价曲线 35

2.4 比较检验 37

2.4.1 假设检验 37

2.4.2 交叉验证t检验 40

2.4.3 McNemar检验 41

2.4.4 Friedman检验与后续检验 42

2.5 偏差与方差 44

2.6 阅读材料 46

习题 48

参考文献 49

休息一会儿 51

第3章 线性模型 53

3.1 基本形式 53

3.2 线性回归 53

3.3 对数几率回归 57

3.4 线性判别分析 60

3.5 多分类学习 63

3.6 类别不平衡问题 66

3.7 阅读材料 67

习题 69

参考文献 70

休息一会儿 72

第4章 决策树 73

4.1 基本流程 73

4.2 划分选择 75

4.2.1 信息增益 75

4.2.2 增益率 77

4.2.3 基尼指数 79

4.3 剪枝处理 79

4.3.1 预剪枝 80

4.3.2 后剪枝 82

4.4 连续与缺失值 83

4.4.1 连续值处理 83

4.4.2 缺失值处理 85

4.5 多变量决策树 88

4.6 阅读材料 92

习题 93

参考文献 94

休息一会儿 95

第5章 神经网络 97

5.1 神经元模型 97

5.2 感知机与多层网络 98

5.3 误差逆传播算法 101

5.4 全局最小与局部极小 106

5.5 其他常见神经网络 108

5.5.1 RBF网络 108

5.5.2 ART网络 108

5.5.3 SOM网络 109

5.5.4 级联相关网络 110

5.5.5 Elman网络 111

5.5.6 Boltzmann机 111

5.6 深度学习 113

5.7 阅读材料 115

习题 116

参考文献 117

休息一会儿 120

第6章 支持向量机 121

6.1 间隔与支持向量 121

6.2 对偶问题 123

6.3 核函数 126

6.4 软间隔与正则化 129

6.5 支持向量回归 133

6.6 核方法 137

6.7 阅读材料 139

习题 141

参考文献 142

休息一会儿 145

第7章 贝叶斯分类器 147

7.1 贝叶斯决策论 147

7.2 极大似然估计 149

7.3 朴素贝叶斯分类器 150

7.4 半朴素贝叶斯分类器 154

7.5 贝叶斯网 156

7.5.1 结构 157

7.5.2 学习 159

7.5.3 推断 161

7.6 EM算法 162

7.7 阅读材料 164

习题 166

参考文献 167

休息一会儿 169

第8章 集成学习 171

8.1 个体与集成 171

8.2 Boosting 173

8.3 Bagging与随机森林 178

8.3.1 Bagging 178

8.3.2 随机森林 179

8.4 结合策略 181

8.4.1 平均法 181

8.4.2 投票法 182

8.4.3 学习法 183

8.5 多样性 185

8.5.1 误差--分歧分解 185

8.5.2 多样性度量 186

8.5.3 多样性增强 188

8.6 阅读材料 190

习题 192

参考文献 193

休息一会儿 196

第9章 聚类 197

9.1 聚类任务 197

9.2 性能度量 197

9.3 距离计算 199

9.4 原型聚类 202

9.4.1 k均值算法 202

9.4.2 学习向量量化 204

9.4.3 高斯混合聚类 206

9.5 密度聚类 211

9.6 层次聚类 214

9.7 阅读材料 217

习题 220

参考文献 221

休息一会儿 224

第10章 降维与度量学习 225

10.1 k近邻学习 225

10.2 低维嵌入 226

10.3 主成分分析 229

10.4 核化线性降维 232

10.5 流形学习 234

10.5.1 等度量映射 234

10.5.2 局部线性嵌入 235

10.6 度量学习 237

10.7 阅读材料 240

习题 242

参考文献 243

休息一会儿 246

第11章 特征选择与稀疏学习 247

11.1 子集搜索与评价 247

11.2 过滤式选择 249

11.3 包裹式选择 250

11.4 嵌入式选择与L$_1$正则化 252

11.5 稀疏表示与字典学习 254

11.6 压缩感知 257

11.7 阅读材料 260

习题 262

参考文献 263

休息一会儿 266

第12章 计算学习理论 267

12.1 基础知识 267

12.2 PAC学习 268

12.3 有限假设空间 270

12.3.1 可分情形 270

12.3.2 不可分情形 272

12.4 VC维 273

12.5 Rademacher复杂度 279

12.6 稳定性 284

12.7 阅读材料 287

习题 289

参考文献 290

休息一会儿 292

第13章 半监督学习 293

13.1 未标记样本 293

13.2 生成式方法 295

13.3 半监督SVM 298

13.4 图半监督学习 300

13.5 基于分歧的方法 304

13.6 半监督聚类 307

13.7 阅读材料 311

习题 313

参考文献 314

休息一会儿 317

第14章 概率图模型 319

14.1 隐马尔可夫模型 319

14.2 马尔可夫随机场 322

14.3 条件随机场 325

14.4 学习与推断 328

14.4.1 变量消去 328

14.4.2 信念传播 330

14.5 近似推断 331

14.5.1 MCMC采样 331

14.5.2 变分推断 334

14.6 话题模型 337

14.7 阅读材料 339

习题 341

参考文献 342

休息一会儿 345

第15章 规则学习 347

15.1 基本概念 347

15.2 序贯覆盖 349

15.3 剪枝优化 352

15.4 一阶规则学习 354

15.5 归纳逻辑程序设计 357

15.5.1 最小一般泛化 358

15.5.2 逆归结 359

15.6 阅读材料 363

习题 365

参考文献 366

休息一会儿 369

第16章 强化学习 371

16.1 任务与奖赏 371

16.2 $K$-摇臂赌博机 373

16.2.1 探索与利用 373

16.2.2 $\epsilon $-贪心 374

16.2.3 Softmax 375

16.3 有模型学习 377

16.3.1 策略评估 377

16.3.2 策略改进 379

16.3.3 策略迭代与值迭代 381

16.4 免模型学习 382

16.4.1 蒙特卡罗强化学习 383

16.4.2 时序差分学习 386

16.5 值函数近似 388

16.6 模仿学习 390

16.6.1 直接模仿学习 391

16.6.2 逆强化学习 391

16.7 阅读材料 393

习题 394

参考文献 395

休息一会儿 397

附录 399

A 矩阵 399

B 优化 403

C 概率分布 409

后记 417

索引 419

内容概要

周志华，南京大学教授，计算机科学与技术系副主任，软件新技术国家重点实验室常务副主任，机器学习与数据挖掘研究所（LAMDA）所长，校、系学术委员会委员；ACM杰出科学家，IEEE Fellow，IAPR Fellow，中国计算机学会会士；长江学者特聘教授，国家杰出青年基金获得者。2007年创建南京大学机器学习与数据挖掘研究所（LAMDA），2010年11月任软件新技术国家重点实验室常务副主任，2013年5月任计算机系副主任。

 机器学习下载 精选章节试读 更多精彩书评


发布书评

　
　

精彩书评 (总计8条)

  •     一堆公式不给推导看个鸡吧啊好想好想好好许许多多家大家都觉得简简单单简简单单就得绝对绝对绝对绝对的经典打击打击打击打击打击
  •     这段时间利用下班晚上和周末在家的时间把《机器学习》看了一遍，总的来说，除了前两章是基础，其余章节都是介绍模型方法，应用场景、理论推导、优化过程、算法等，每章都可独立阅读而不受其他章节影响。如果只是每一章都看完，顶多就是了解了一种方法，相互之间是割裂的，这样当碰到一个实际问题，仍然无法思路完整的求解，因而有必要在阅读时就要有意识甚至刻意的建立起知识架构。实际上，所谓的机器学习，是面对一个具体的问题，从给定的数据中产生模型的算法，也就是说脱离了实际问题谈机器学习算法是毫无意义的。参考本书的章节内容，加上自己在读书、工作中的一些理解，简单总结一下基于机器学习的一般性问题解决方法。前面提到，脱离实际问题谈机器学习是毫无意义的，那么在给定数据集（所谓大数据）和具体问题的前提下，一般解决问题的步骤可以概括如下：1、数据抽象将数据集和具体问题抽象成数学语言，以恰当的数学符号表示。这样做自然是为了方便表述和求解问题，而且也更加直观。2、设定性能度量指标机器学习是产生模型的算法，一般来说模型都有误差。如果模型学的太好，把训练样本自身的一些特点当成所有潜在样本具有的一般性质，这种情况称为过拟合，这样的模型在面对新样本时就会出现较大误差，专业表述就是导致模型的泛化性能下降。与之相对的是欠拟合，模型对样本的一般性质都没学好，这种情况一般比较好解决，扩充数据集或者调整模型皆可。而一般来说无论是机器学习还是现在很火的深度学习，面对的主要问题都是过拟合。那么为了保证模型的泛化能力足够强，必须要有衡量模型泛化能力的评价标准，也就是性能度量的设定。很显然不同的性能度量会导致不同的评判结果，好的性能度量能够直观的显示模型的好坏，同时也能看到不同模型，或者模型的不同参数下对解决问题的程度好坏。进一步，有的问题可以直接基于设定的性能度量直接做最优化，得出该问题的一般求解模型。比如回归任务最常用的性能度量就是均方误差，目标就是让均方误差最小，这就直接转化成了一个最优化问题。其他一些常用的有错误率与精度、查准查全率、ROC与AOC等。当然更为重要的是，仅仅设定好性能度量是不够的，不同模型或者不同参数下得到的性能度量结果一般是不同的，一般来说不能简单的比较结果，而应该基于统计假设检验来做效果判定。也就是说通过比较检验的方法，我们就可以判断，如果观察到A比B好，在统计意义上A的泛化性能是否优于B，以及这个判断的把握有多大。3、数据预处理之所以要做数据预处理，是因为提供的数据集往往很少是可以直接拿来用的。可能的情况有：- 样本某些属性值缺失- 有未标记样本- 样本的属性太多- 样本量不足- 没有分出测试集和验证集- 不同类的样本数相差比较大- 不同类的样本数相差比较大这就是所谓类别不平衡问题。举个例子，样本里有998个反例，2个正例，如果一个模型对任何的新样本都预测为反例，那么它的精度为99.8%，虽然很高，但没有任何价值。这种情况使用的基本策略是再缩放，具体方法则是采样。通过不同的采样方法来使类别达到平衡。没有分出测试集和验证集再说第五种情况，为了方便训练和验证模型好坏，数据集一般会以9：1或者其他合适比例（比例选择主要基于实际问题）分为测试集和验证集。如果给定的数据集只是已经标记好的样本，那么划分时必须保证数据集和测试集的分布大致均匀，这就涉及到具体的划分算法了。样本量不足第四种情况一般图像问题比较常遇到，如果样本量不足，不够模型来学习，效果自然很差。常见的方法一般有两种：基于原数据集做扩充。比如对于图片，可以做各种处理，比如旋转、crop、对比度、亮度等基于像素值的调整，使得一个样本能够生成多个样本，从而达到扩充数据集的目的。通过人工标注生成样本。比如大名鼎鼎的ImageNet数据集就是通过全球众包完成的，当然这个不仅耗时长，人工成本也很高，需谨慎考虑。样本的属性太多对于第三种情况，如果样本属性太多，为了保证模型的泛化性能足够强，则理论上必须保证数据集包括有所有属性的所有值，而这随着属性数目以及属性值是呈指数上升，很有可能达到天文数字，不仅难以计算，在现实情况也不可能收集到这么多的样本。从数学角度看，每个样本的属性可以看成向量，属性数目是向量的维数，解决第三种情况一般有两种方法：- 降维- 特征选择特征选择比较好理解，就是选择有用相关的属性，或者用另外一种表达方式：选择样本中有用、跟问题相关的特征。事实上这也很正常，并不一定样本的所有属性对具体问题都是有用的，通过一定的方法选择合适的特征可以保证模型更优。常用的方法大致分三类：过滤式、包裹式和嵌入式。所谓的降维，即是多属性意味着是高维空间，在很多时候可以等价的映射到低维而不丢失主要信息。从空间映射的角度看，我们可以通过主成分分析PCA（线性映射）和核化主成分分析（非线性映射）来达到降维的目的。（补充：PCA是无监督降维方法，线性判别分析LDA则是监督降维防范）有未标记样本现实情况下往往很多数据集都有大量的未标记样本，有标记的样本反而比较少。如果直接弃用，很大程度上会导致模型精度低。这种情况解决的思路往往是结合有标记的样本，通过估计的方法把未标记样本变为伪的有标记样本。基本的方法有主动学习和半监督学习两种方法。样本某些属性值缺失样本的属性值缺失是很常见的一种情况。比如做书籍、视频、音乐等的个性化推荐时，需要用户对不同种类的偏好或评价。而用户不一定听过所有种类的歌，也不一定做出了评价。这就需要通过他已产生的样本数据和与之相类似的用户的数据来恢复和补全。从原理上讲，这和压缩感知根据部分信息恢复全部信息是有类似的。常用的方法涉及到协同过滤、矩阵补全等技术和方法。总的来说，数据预处理是一个非常重要的过程，实际上数据预处理往往会和模型选择结合在一起。4、选定模型在数据集完美的情况下，接下来就是根据具体问题选定恰当的模型了。一种方式是根据有没有标记样本考虑。如果是有标记样本，可以考虑有监督学习，反之则是无监督学习，兼而有之就看半监督学习是否派的上用场。无监督学习方法主要提到的是聚类。随机选定几个样本，通过一定的算法不停迭代直至收敛或者达到停止条件，然后便将所有样本分成了几类。对有监督学习而言，根据最终所需要的输出结果如果涉及到分类，可以参考的模型有线性回归及其非线性扩展、决策树、神经网络、支持向量机SVM、规则学习等如果是回归问题，可以认为是分类的连续形式，方法便是以上模型的变种或扩展如果涉及到概率，可以参考的有神经网络、贝叶斯、最大似然、EM、概率图、隐马尔科夫模型、强化学习等5、训练及优化选定了模型，如何训练和优化也是一个重要问题。如果要评估训练集和验证集的划分效果，常用的有留出法、交叉验证法、自助法、模型调参等如果模型计算时间太长，可以考虑剪枝如果是过拟合，则可通过引入正则化项来抑制（补偿原理）如果单个模型效果不佳，可以集成多个学习器通过一定策略结合，取长补短（集成学习）6、应用模型训练好之后，自然就是应用，针对未知样本做预测、推荐等。最后再简单谈一下神经网络。本书中神经网络仅仅是作为一个章节叙述，包括经典的BP算法。但技术书籍的推出总是落后于当前技术发展的。《机器学习》上市的时间，已经是深度学习大行其道了。多层的神经网络伴随的往往是大量参数的计算和对大数据的渴求。随着互联网的发展，人们产生的数据呈爆炸式增长，这使得大数据集越来越多，同时以NVIDIA为代表推出的基于GPU的机器的计算能力大幅提高，这使得应用多层神经网络解决实际问题成为可能。尤其是在ImageNet竞赛中基于卷积神经网络的模型以大幅优势夺冠后，无论是学术界还是工业界，都投入大量人力财力研究和应用。以前认为人工智能不可能击败围棋的论点也在今年AlphaGO战胜李世石不攻自破，AlphaGO赖以成功的基础就是几千万名家的对战棋谱（数据集）和多层神经网络（模型），当然还包括了强化学习和评估网络等辅助下棋策略。一个非常有趣的事实是，神经网络在经历了几次寒冬后，科学家们为了保证科研成果能够更大概率的发表，启用了新名词深度学习。（以neural network为关键词的paper拒稿率很高）所以从本质上讲，深度学习可以简单的认为是很深层的神经网络。
  •     写的比较深入浅出,原来自学过机器学习课程.同时实践过一个简单的机器学习算法来预估广告点击率(逻辑回归算法),取得了一定效果.但是很多基本原理也只是照搬硬套.看了这本书后有一种豁然开朗的感觉例如为什么参数时,明明是两种情况,为什么要设置三个(一个默认为空). 还有怎么校验一个学习算法的优劣,为什么这么校验.这本书告诉了你为什么,不错.目前还只看了前两章,就感觉很爽....如果早几年有这种书就好了

精彩短评 (总计50条)

  •     讲得不是很清楚，也鲜有独到见解和启发意义
  •     这本书的纸张选的很怪异，装在包里很难装，放书柜也不好放。从出版至今短短一两年的时间，这本破书就改了十版，可想而知这本书里到底是有多少错误，作者对待这本书是什么个态度。我曾经很认真地看这本书，把它当作我的入门读物，一个一个公式的推导，结果发现这本书的公式定义很混乱，和前面的文字对不上，表意不明。该给读者仔细指明的公式简而又简，那种无需在意过程只需看结果的公式长的不行。内容上也是前后文有重叠，最开始告诉读者十次十折交叉验证最常用，到后文就推荐别的，也没有指明这两者孰优孰劣。不过也不是没有优点，这本书算是一个比较全的Review，想大概了解一下机器学习的技术可以大概浏览一下本书的文字部分，不能细究。西瓜的例子还是很生动的。
  •     很厉害，可以把其它书上很啰嗦的概念讲得清楚明了。
  •     讲的思路清楚，简单易懂。
  •     略显虎头蛇尾。作为绝世武功的目录还行。
  •     作为一本自学书来说它是不合格的，因为知识密度很大，许多公式都没有具体解释直接座位结论放上去，看得云里雾里。但作为字典应该是个不错的选择。
  •     M
  •     范围覆盖面很不错，如果是半路出家的人工智能从业者，很推荐阅读，但是深度有限，可以当作科普读物。
  •     读完就算将将入门吧，不要想太多。理论比较多，要应用到实践还请继续看其他书和材料。
  •     SVM讲的特好，大家可以读读看
  •     读不明白，什么时候再看一遍应该会好点
  •     内容简洁，概念清晰，大家风范
  •     理论性比较强
  •     确实很适合入门
  •     深入浅出，浅显易懂，文字流畅，好书。唯一缺点是对深度学习的介绍太少。
  •     实在太貌美于是抱回了家……印刷精良，排版上乘，纸张优质……还看到很多spss里用了无数次却不知道是啥的处理方法……
  •     作者在国内机器学习领域算是数得上的，序里面写的很清楚，人家就是入门教材，希望看完就一通百通的还需继续学习
  •     内容很全面，涵盖了绝大多数热门算法与模型。可惜讲的太过粗糙，没有完整的数学推导，不适合没有基础的人看。比起教科书更像是本“导读”。用作梳理知识点，准备面试还是不错的。
  •     太浅，只适合了解入门。。不过入门的人又不一定能看懂
  •     偶然翻的LP的博士在啃的书，近几年断断续续在了解这个领域，对机器的前景有点不寒而栗。
  •     语言易懂，案例切合，比李航的易懂，极其适合入门的童鞋
  •     简洁而清楚，还附带一些机器学习的历史小故事。
  •     其实作为入门书。。。真的挺难懂的。。。。可能我数学功底差？？http://blog.jobbole.com/67616/这种在线网站入门会比较方便
  •     拿来当入门书仿佛太难了…
  •     作为入门书籍很好用
  •     看完评论想作为入门读物，可是发现有点难。。。
  •     书是好书，但读者也应该看看作者的序言，很多问题在序言里已经回答了的。PS:入门推荐看吴恩达，李飞飞老师的课
  •     确实是入门的书啊
  •     很多人就随便翻翻几页看了 个囫囵吞枣就开始评论起来，也许连作者自身的前言都没看。 这本书作者定义为机器学习教科书，作为教科书，我觉得主在引导想学习机器学习或者对这领域感兴趣的同学入门，能对机器学习的起源发展现状，以及一些算法有初步的了解，而这本也正是如此做的，省去了很多公式以及推导过程，更注重对算法进行简单的阐述，以及添加一些小作业小故事来培养初学者的兴趣。这本书在每个算法后面，也列举了每个算法的阅读材料，如果一些同学对哪个算法感兴趣，自然可以网上搜索资源对某个算法进行更加深入的理解。 师傅领进门，修为在个人。本书作者也说了想对算法进行又广又深的说明非上千页不能完成。作为入门教科书，不论是排版还是内容，都是很值得想学习机器学习的同学入手，在自学过程中再对感兴趣的算法进入深入会更好，加油。
  •     机器学习重要的算法差不多都囊括了，通过一个西瓜主题贯穿全书，只可惜看的有些匆忙，很多数学公式推导没有自己去求证，二刷好好细品。
  •     入门级教材，门外汉需要一点点统计学基础知识或者数学兴趣，只要不是一看见公式就想放弃的应该都没啥问题
  •     Machine learning is a very powerful tool .
  •     有些句子感觉读起来很别扭啊。。。。比如： P67. “再缩放的思想虽简单，但实际操作却并不平凡，主要因为"训练集是真实 样本总体的无偏采样"这个假设往往并不成立” P67 “这在通常条件下是 NP 难问题” 感觉部分像翻译的，莫非有学生写的？（纯基于特征的猜测。。。） 后续再补充。。。
  •     用精简的文字和公式推导，从方法论上科普了许多机器学习的方法，信息量挺大，需要一定的知识储备。我个人印象最深的是神经网络、集成学习、强化学习三章，总算明白了个所以然……
  •     不错的介绍。
  •     说个事(xiao)实(hua)，这书的分比CMU的那本Machine Learning还要高。
  •     覆盖主题比较多，但有些的比如SVM，通过参看其他资料理解更快。 数学公式还是啃不动啊
  •     干巴巴，知识树，没有叶子。排版很奢侈，空白很多。
  •     经典。还需要更努力去理解，去探索，去发现。
  •     在看密歇根州立出来的实习生给我的论文的时候因为有了这本书没有输太惨（围笑围笑围笑）
  •     和李航的书相比在方法层面缺少大局观，但讲得更多更具体。推荐两本书结合起来看。
  •     不错，有的地方叙述不是很清晰
  •     观其大概而已
  •     讲的很简略，入门很好，能大致了解机器学习。
  •     排版可以
  •     五星推荐，最适合入门者的一本中文机器学习教材。当然英文的话UCB新的那本MLAPP、传统的Tom-Mitchell和PRML都可以用来入门，中文的话只此一家决不能错过。
  •     科普读物
  •     说三遍：这是一本教科书，这是一本教科书，这是一本教科书。 讲了很多，一些公式推导省略了很多。自学的话，看这本得费不少功夫。
  •     没读完，可能是我智商有问题？感觉这本书并不适合入门
  •     说实话不如李航统计学习方法，更不如PRML，想比统计学习方法讲的透彻一点却还是很多东西想当然的直接拿出来，反而更加混乱了
 

农业基础科学,时尚,美术/书法,绘画,软件工程/开发项目管理,研究生/本专科,爱情/情感,动漫学堂PDF下载,。 PDF下载网 

PDF下载网 @ 2024