免费书：最新的《机器学习全面指南》 - 知乎

https://zhuanlan.zhihu.com/p/104988967

红色石头的我的网站：

红色石头的我的博客-机器学习、深度学习之路​ www.redstonewill.com无需置疑，数学基础和理论知识在机器学习中扮演十分重要的角色！提高数学理论水平对于提升自身的机器学习水平很是有帮助！

然而，对于大部分初学者来讲，理论部分太难每每会削弱学习的积极性。在学习的时候，必需要平衡理论难度与易用性两者之间的关系。

所以，本文推荐一份很是不错的《A Comprehensive Guide to Machine Learning》，中文译为：《机器学习全面指南》。

这份《机器学习全面指南》的做者是来自伯克利电气工程与计算机科学系的 Soroush Nasiriany, Garrett Thomas, William Wang, Alex Yang, Jennifer Listgarten, Anant Sahai。该书发布于 2019 年 11 月，能够说是很是新的了。

这本书最大的特色就是短小精悍，全书总共只有 118 页，内容精简，对于初学者很是友好，只介绍机器学习一些基础的核心的理论知识，作到了麻雀虽小，五脏俱全！

全书总共有 8 章，涉及的主要内容包括：回归、降维、神经网络、分类、聚类、决策树、深度学习等。具体目录以下：

该书虽然篇幅很少，可是内容作到了精简。并且主要重点是介绍机器学习理论知识。这能够说是弥补了咱们在学习中的一些理论盲点，重点解释常见的机器学习中的数学知识。对于提升 AI “软实力”很是有帮助！

例如，书中对 LASSO 回归和 rige 回归作了很是形象的解释：

上图中左边对应的是 L1 正则化，右边对应的是 L2 正则化，知足正则化条件，对于 L2 来讲，限定区域是圆，这样，获得的解 w1 或 w2 为 0 的几率很小，很大几率是非零的。对于 L1 来讲，限定区域是正方形，方形与蓝色区域相交的交点是顶点的几率很大，这从视觉和常识上来看是很容易理解的。这样，获得的解 w1 或 w2 为零的几率就很大了。因此，L1 正则化的解具备稀疏性。

关于 L1 正则化和 L2 正则化的详细解释，能够看下这篇文章：

机器学习中 L1 和 L2 正则化的直观解释

关于这本《机器学习全面指南》，也是 CS189 讲义。其官网能够访问下面的网址：

http://www-inst.eecs.berkeley.edu/~cs189/archives.html

资源下载：

为了节约你们的时间，小编爱码士已经将这份《机器学习数学基础》电子版 PDF 打包好了。获取步骤以下：请在本公众号后台回复：CGML，便可。