资料 | 机器学习数学基础教程【PDF下载】

《机器学习数学基础》由Marc Peter Deisenroth、A Aldo Faisal和Cheng Soon Ong撰写，共381页。这本书并没有涵盖前沿的机器学习技术，而是通过该书提供阅读其他书籍所需的数学基础。共分为两部分：数学基础知识和使用数学基础知识进行机器学习算法示例。值得初学者收藏和学习！

这本书是用学术数学的风格来写的，这使读者能够精确地了解机器学习背后的概念。作者鼓励不熟悉这种简洁的风格的读者坚持阅读下去，并牢记每个主题的目标。作者在整篇文章中都有标记和评论，希望这些评论能对读者提供一些

有用的指导。此外，本书假定读者具备高中数学和物理中常用的数学知识。例如，导数和积分，以及二维或三维的几何向量。因此，本书的目标受众包括普通大学生、夜校生和机器学习在线课程的学习者等等。

 

简介（Introduction）

本书分为两部分，第一部分是数学基础的讲解，第二部分是将第一部分的数学概念应用于基本的机器学习问题中，从而形成“机器学习四大支柱”，如下图所示：

这本书的第一部分描述了关于机器学习系统的三个主要组成部分的数学概念和数学基础：数据、模型和学习。在本书中，作者假设数据已经被适当地转换成适合于阅读的数字表示形式，并被转换成计算机程序。在这本书中，作者认为数据是向量。模型是现实世界的简化版本，它捕获与任务相关的现实世界的各个方面。模型的用户需要理解模型没有捕捉到什么，从而理解模型的局限性。概括起来就是，作者使用领域知识将数据表示为向量。并选择一个合适的模型，要么使用概率方法，要么使用优化方法。采用数值优化的方法，对过去的数据进行学习，目的是它在看不见的数据上表现良好。

 

本书第二部分介绍了上图所示的机器学习四大支柱，如下表所示。表中的每一行区分了相关变量是连续的还是非连续的类别的问题。 作者解释了如何将本书第一部分介绍的数学概念应用于机器学习算法的设计中。在第8章中，作者以数学的方式重述了机器学习的三个组成部分(数据、模型和学习)。此外，作者还提供了一些建立实验设置的指南，以防止对机器学习系统过于乐观的评估。

此外，作者在第一部分提供了一些练习，这些练习大部分可以用笔和纸来完成。在第二部分中，作者提供了一些编程教程(jupyter记事本)来探索在本书中讨论的机器学习算法的一些特性。

全书配套网站：https://mml-book.com

全文下载

关注公众号，后台回复

20181010

今日推荐

《机器学习实践应用》

本书适合任何有一定数据功底和编程基础的读者阅读

同时

也适合计算机相关专业的学生以及对人工智能和机器学习感兴趣的读者阅读