1.針對AI入門讀者，從基本的原理及學習意義入手，以模型為驅動，帶領讀者喫透機器學習模型。

2.本書內含精心設計的數據量較小的簡易版實例，讓讀者可以直觀了解模型的運行原理。

3.作者總結了自身的實踐經驗，整理了構建數據集、選擇特征、調參、驗證模型的方法。

4.基本的原理 常見的案例 極小數據樣本，助你輕松入門機器學習。

5.微軟全球副總裁洪小文、微軟技術官韋青等人作序推薦。

6.通過學習這本書，你將收獲：

AI技術崗位求職知識儲備

各大模型與算法觸類旁通

極簡版實例體驗實際應用

配套數據 代碼快速實操上手

第 一部分緒論

第 1章為什麼要學原理和公式推導 2

1.1學模型就要學公式推導嗎 2

1.2學習原理的必要性 3

第 2章學習機器學習原理，改變看待世界的方式 6

2.1破除迷信 6

2.2追本溯源 7

2.3精進看待世界的方法 8

第3章如何學習機器學習 10

3.1以模型為驅動，了解機器學習的本質 10

3.2反復學習，從記憶到掌握 10

3.3數學需要多精深 11

3.4基本的數學概念 12

3.5學機器學習，編程是必須的嗎 13

3.6日常學習小提示 14

第二部分基本原理

第4章機器是如何學習的 16

4.1機器學習的基本原理 17

4.2有監督學習與無監督學習 18

4.2.1有監督學習 19

4.2.2無監督學習 19

4.3機器學習的三要素：數據、模型和算法 20

4.3.1數據 20

4.3.2模型 22

4.3.3算法 24

第5章模型的獲取和改進 26

5.1獲取模型的過程 26

5.2訓練集、驗證集和測試集 27

5.3訓練的過程 27

第6章模型的質量和評價指標 30

6.1分類模型評價指標：精確率、召回率和F1分數 30

6.2指標對應的是模型和數據集 31

6.3模型的偏差和過擬合 32

第7章常用的優化算法——梯度下降法 34

7.1學習目標 34

7.2凸函數 35

7.3梯度下降法 37

7.4梯度下降法的超參數 38

7.5梯度下降的難點 39

第三部分有監督學習（基礎）

第8章線性回歸 42

8.1第 一個機器學習模型 42

8.1.1從數據反推公式 42

8.1.2綜合利用訓練數據，擬合線性回歸函數 44

8.1.3線性回歸的目標函數 44

8.1.4線性=直線？ 45

8.1.5用線性回歸模型擬合非線性關繫 46

8.2梯度下降法求解目標函數 47

8.2.1確定目標函數的凸性 48

8.2.2斜率、導數和偏微分 49

8.2.3使用梯度下降法求解目標函數 51

8.2.4通用線性回歸模型的目標函數求解 52

8.2.5線性回歸的超參數 54

8.3編寫線性回歸訓練/預測程序 55

第9章樸素貝葉斯分類器 57

9.1分類與回歸 57

9.2貝葉斯定理 58

9.2.1貝葉斯公式 58

9.2.2常見的貝葉斯公式 59

9.3用樸素貝葉斯算法進行分類 61

9.3.1樸素貝葉斯算法 61

9.3.2一款極簡單的樸素貝葉斯分類器 62

9.4條件概率的參數 66

9.4.1兩個學派 67

9.4.2極大似然估計法 69

9.4.3正態分布的極大似然估計 70

9.4.4用代碼實現樸素貝葉斯模型 72

第 10章邏輯回歸 74

10.1非線性邏輯回歸函數的由來 75

10.1.1指數增長 75

10.1.2邏輯函數 76

10.1.3追本溯源的理論學習 79

10.1.4線性與非線性 80

10.2用來做分類的回歸模型 81

10.2.1邏輯回歸的模型函數 81

10.2.2邏輯回歸的目標函數 82

10.3實例及代碼實現 85

10.4處理多分類問題 88

第 11章決策樹 91

11.1什麼是決策樹 91

11.1.1直觀理解決策樹 91

11.1.2構建決策樹 93

11.2幾種常用算法 93

11.2.1ID3 93

11.2.2C4.5 94

11.2.3CART 96

11.3決策樹告訴你去哪兒聚餐 98

11.3.1訓練數據 98

11.3.2特征選取 98

11.3.3用ID3算法構造分類樹 100

11.3.4後剪枝優化決策樹 103

11.3.5用決策樹對餐館進行分類 104

第四部分有監督學習（進階）

第 12章SVM 108

12.1線性可分和超平面 108

12.1.1二分類問題 108

12.1.2特征的向量空間模型 108

12.1.3線性可分 109

12.1.4超平面 110

12.2線性可分SVM 111

12.3直觀理解拉格朗日乘子法 115

12.3.1可視化函數及其約束條件 116

12.3.2拉格朗日乘子法 118

12.4對偶學習算法 124

12.4.1對偶問題 124

12.4.2強對偶性及求解對偶問題 126

12.4.3通過對偶問題求解主問題 126

12.5求解線性可分SVM 的目標函數 127

12.5.1目標函數 127

12.5.2線性可分SVM的對偶問題 128

12.5.3使用對偶算法求解線性可分SVM的步驟 128

12.5.4SMO 算法 133

12.6線性SVM，間隔由硬到軟 134

12.6.1從線性可分SVM到線性SVM 134

12.6.2對偶法化線性SVM 主問題 138

12.6.3線性SVM 的支持向量 140

12.7非線性SVM 和核函數 142

12.7.1非線性分類問題 142

12.7.2非線性SVM 144

12.7.3核函數 145

12.7.4數據歸一化 149

第 13章SVR 151

13.1嚴格的線性回歸 151

13.2寬容的SVR 152

13.2.1模型函數 152

13.2.2原理 152

13.2.3SVR 的兩個松弛變量 153

13.3SVR 的主問題和對偶問題 154

13.4支持向量與求解線性模型參數 156

13.5SVR 的核技巧 157

第 14章直觀認識 SVM 和 SVR 159

14.1SVM 實例 159

14.1.1線性可分SVM 159

14.1.2線性SVM 162

14.1.3完全線性不可分的數據 164

14.1.4核函數的作用 166

14.1.5RBF 核函數的威力 169

14.1.6其他核函數 170

14.2SVR 實例 171

第 15章HMM 174

15.1一些基本概念 174

15.2數學中的HMM 176

15.3HMM 的3個基本問題 178

15.4一個例子 179

15.5HMM 3個基本問題的計算 181

15.5.1概率計算問題 181

15.5.2預測算法 184

15.5.3學習算法 185

15.6HMM實例 186

第 16章CRF 189

16.1概率無向圖模型 189

16.1.1勢函數和團 190

16.1.2Hammersley-Clifford定理 190

16.1.3性質 190

16.2CRF 192

16.3線性鏈CRF 193

16.3.1線性鏈CRF的形式化表示 195

16.3.2線型鏈CRF的3個基本問題 197

第五部分無監督學習

第 17章從有監督到無監督：由KNN引出K-means 202

17.1發展趨勢 204

17.2KNN算法 205

17.2.1KNN算法原理 205

17.2.2有監督學習算法KNN與無監督學習算法K-means 205

17.2.3KNN的K 206

第 18章K-means——簡單的聚類算法 208

18.1常用的幾種距離計算方法 208

18.2K-means 210

18.3實例 214

第 19章譜聚類——無須指定簇數量的聚類 217

19.1算法實現 217

19.2算法原理 219

19.3實例 224

第 20章EM算法——估計含有隱變量的概率模型的參數 226

20.1含有隱變量的概率模型 226

20.2EM算法基本思想 227

20.2.1近似極大化 227

20.2.2真正的目標 229

20.3EM算法的推導過程 230

20.3.1優化目標 230

20.3.2應用EM算法 230

20.4EM算法步驟 233

第 21章GMM 235

21.1將“混”在一起的樣本各歸其源 235

21.1.1個體與集體 235

21.1.2已知每個簇的原始分布 237

21.1.3已知分布條件下的樣本歸屬 238

21.1.4學習概率密度函數參數 239

21.1.5同分布的混合模型 241

21.2用EM算法求解GMM 242

21.2.1高斯分布 242

21.2.2GMM 246

21.2.3用EM算法學習GMM的參數 248

21.2.4GMM實例 250

第 22章PCA 253

22.1利用數學工具提取主要特征 253

22.1.1泛濫成災的特征維度 253

22.1.2降低數據維度 255

22.1.3PCA的原則 256

22.1.4PCA的優化目標 257

22.2用SVD實現PCA 262

22.2.1PCA優化算法 262

22.2.2PCA的作用 263

22.2.3SVD 264

22.2.4用SVD實現PCA 266

22.2.5直接用SVD降維 266

22.2.6SVD&PCA實例 267

第六部分機器學習應用

第 23章認識聊天機器人 272

23.1聊天機器人的基本類型 272

23.2世界上第 一款聊天機器人 273

23.3聊天機器人簡史 274

23.4聊天機器人的實現技術 276

第 24章開發一款問題解決型機器人 278

24.1回答問題的基礎三步 278

24.2多輪對話的上下文管理 278

24.3分層結構 279

24.4極簡版繫統架構 280

24.5開發流程 283

第 25章聊天機器人的語言理解 285

25.1收集語料 286

25.2標注數據 286

25.3劃分數據集 287

25.4構建向量空間模型 288

25.5訓練模型 290

25.6測試模型 292

第 26章應用聚類模型獲得聊天機器人語料 293

26.1從用戶日志中挖掘訓練語料 293

26.2語料對標注的影響 294

26.3分析用戶日志 294

26.4對用戶日志語料進行聚類 295

第七部分從機器學習到深度學習

第 27章人工智能和神經網絡 298

27.1人工智能、機器學習和深度學習 298

27.2什麼是神經網絡 300

27.3神經網絡的訓練 302

第 28章深度學習的興起和發展 305

28.1神經網絡的歷史沿革 305

28.2認識深度學習 307

28.3不同種類的深度學習網絡 307

28.3.1CNN 307

28.3.2RNN 309

28.3.3LSTM 310

第 29章深度學習的願景、問題和應用 313

29.1深度學習的願景 313

29.2深度學習的現實 314

29.3機器學習與深度學習 314

29.4深度學習的落地點 315

29.4.1語音處理 315

29.4.2圖像處理 316

29.4.3自然語言處理 317

29.5深度學習的局限 317

本書用通俗易懂的語言，繫統而又深入淺出地介紹了機器學習的主要算法，以及這些算法的“前世今生”。書中列舉的例子生動有趣，而且結合了作者豐富的工作經驗，能夠讓讀者迅速抓住和領悟機器學習的思維重點和算法精髓，從而更好地將所學知識應用到編程中。本書對培養數字思維以及推進數字技能教育大有裨益，是人工智能的普及性讀本。

——洪小文

微軟全球副總裁

微軟亞太研發集團主席



市面上有關機器學習的書可以說是汗牛充棟，有的側重於算法，有的側重於應用，有的側重於原理，有的側重於推導……但其實，能夠把機器學習