关于本书

图书介绍

点击右边链接阅读：电子工业出版社博文视点发布的本书介绍

配套视频课程

• 博文视点学院：机器学习数学基础视频教程

勘误和修改

• Github 上的 Markdown 文档：https://github.com/qiwsir/Math4ML_book/blob/main/corrigendum.md

• 百度网盘下载 PDF 文档：链接: https://pan.baidu.com/s/1OOimHFaTJ-CxmeCvnADFPQ 提取码: d3a5

图书购买

请自行至各大电商平台购买。

**注：**书的销售价格由各个网站运营方决定，不同网站价格可能稍有不同，但均与作者和本站无关，作者不负责销售，请勿就此与作者讨论，也不要找作者退差价。

以下购买链接，仅供参考。其他电商网站平台或书店，也有销售，请根据自己的喜好选择。

• 电子工业出版社天猫旗舰店的购买链接

• 京东网站的自营购买链接

• 京东的电子书购买链接

• 当当网站的自营购买链接

源码

• Github 仓库：https://github.com/qiwsir/MML

• 百度网盘下载源码：链接: https://pan.baidu.com/s/1_SBAdUaaG2GyVUZwcn8_rQ 提取码: eptb

补充资料仓库

• https://github.com/qiwsir/Math4ML_book

目录

《机器学习数学基础》目录（含章节选读）：

👉：思维导图，建议用大显示器（越大越好。请读者自备，本书作者无义务提供）打开浏览，效果更好，能从全局了解所有的知识结构。注：思维导图中的微积分内容，并未包含在本书中，理由见本书的「前言」有关内容。

• 本书的阅读和使用方法

• 前言

• 第1 章向量和向量空间

  • 1.1 向量

  • 1.2 向量空间

  • 1.3 基和维数

  • 1.4 内积空间

    • 1.4.2点积和欧几里得空间

  • 1.5 距离和角

    • 1.5.4 角度

    • 👉视频课程节选：通过距离实现分类的数学原理

  • 1.6 非欧几何

• 第2章 矩阵

  • 2.1 基础知识

  • 2.2 线性映射

    • 2.2.4 齐次坐标系

  • 2.3 矩阵的逆和转置

  • 2.4 行列式

  • 2.5 矩阵的秩

  • 2.6 稀疏矩阵

    • 2.6.2 稀疏矩阵压缩

  • 2.7 图与矩阵

    • 2.7.2 邻接矩阵

• 第3章 特征值和特征向量

  • 3.1 基本概念

    • 3.1.1 定义

  • 3.2 应用示例

  • 3.3 相似矩阵

  • 3.4 正交和投影

  • 3.5 矩阵分解

  • 3.6 最小二乘法（1）

• 第4章 向量分析

  • 4.1 向量的代数运算

  • 4.2 向量微分

  • 4.3 最优化方法

    内容节选：

    • 4.3.2 最小二乘法（2）

  • 4.4 反向传播算法

• 第5章 概率

  • 5.1 基本概念

  • 5.2 贝叶斯定理

  • 5.3 随机变量和概率分布

    内容节选：

    • 幂律分布

  • 5.4 随机变量的和

  • 5.5 随机变量的数字特征

• 第6章 数理统计

  • 6.1 样本和抽样

  • 6.2 点估计

  • 6.3 区间估计

  • 6.4 参数检验

    内容节选：

    • 6.4.5 用假设检验比较模型

  • 6.5 非参数检验

• 第7章 信息与熵

  • 7.1 度量信息

  • 7.2 信息熵

  • 7.3 联合熵和条件熵

  • 7.4 相对熵和交叉熵

  • 7.5 互信息

  • 7.6 连续分布

• 后记

---

相关学习资料

本书中的源码是使用 Python 语言，并基于 Jupyter 演示。对 Jupyter 以及有关 Python 等语言不熟悉的读者，请参阅如下相关资料：

• 学习 Python 语言的资料（以下任选一项或多项）

  • 书籍：Python 完全自学教程（本书为免费开源图书）

  • 与《Python 完全自学教程》配套的视频课程：https://bfw.xet.tech/s/3cMBcz

  • 书籍：跟老齐学 Python：轻松入门

  • 书籍：Python 大学实用教程

• 学习 Jupyter 以及 NumPy、Pandas、Scikit-learn 等机器学习常用工具的资料：

  • 书籍：跟老齐学 Python：数据分析

  • 书籍：数据准备和特征工程

  • 视频课程：迈向数据科学家：带你玩转 Python 数据分析

• 其他有关资料：

  • 线性代数的学习方法

  • 提问的智慧