机器学习的数学原理和算法实践/从零开始

零基础读者应如何快速入门机器学习？数学基础薄弱 的读者应如何理解机器学习中的数学原理？这些正是本书 要解决的问题。本书从数学基础知识入手，通过前3章的介 绍，帮助读者轻松复习机器学习涉及的数学知识；然后， 通过第4－第13章的介绍，逐步讲解机器学习常见算法的相 关知识，帮助读者快速入门机器学习；最后，通过第14章 的综合实践，帮助读者回顾本书内容，进一步巩固所学知 识。 《机器学习的数学原理和算法实践》适合对机器学习 感兴趣但数学基础比较薄弱的读者学习，也适合作为相关 专业的学生入门机器学习的参考用书。

第1章 补基础：不怕学不懂微积分 1.1 深入理解导数的本质 1.1.1 哲学层面理解变化 1.1.2 生活中处处有函数 1.1.3 从瞬时速度到导数 1.1.4 从近似运动来理解导数 1.1.5 直观理解复合函数求导 1.2 理解多元函数偏导 1.2.1 多元函数偏导数是什么 1.2.2 搞清楚梯度是什么 1.3 理解微积分 1.3.1 直观理解积分 1.3.2 直观理解微积分基本定理 1.4 泰勒公式太重要了 1.4.1 泰勒公式是什么 1.4.2 泰勒公式的典型应用 1.4.3 直观理解泰勒公式的来龙去脉 1.4.4 微积分基本定理与泰勒公式的关系 第2章 补基础：不怕学不懂线性代数 2.1 直观理解向量 2.1.1 理解向量加法与数乘 2.1.2 理解向量乘法的本质 2.1.3 理解基向量与线性无关 2.2 直观理解矩阵 2.2.1 理解矩阵运算规则 2.2.2 理解矩阵向量乘法的本质 2.2.3 深刻理解矩阵乘法的本质 2.3 理解线性方程组求解的本质 2.3.1 直观理解方程组的解 2.3.2 如何寻找解的表达式 2.3.3 深刻理解逆矩阵的本质 2.3.4 直观理解行列式的本质 2.4 彻底理解最小二乘法的本质 2.4.1 如何求解无解的方程组 2.4.2 论证n维子空间上的情况 2.4.3 搞懂施密特正交化是什么 2.4.4 理解最小二乘法的本质 2.5 直观理解相似矩阵对角化 2.5.1 相似矩阵是什么 2.5.2 如何理解特征值与特征向量 2.5.3 直观理解相似矩阵的对角化 第3章 补基础：不怕学不懂概率统计 3.1 什么是概率 3.1.1 最简单的概率的例子 3.1.2 概率论与数理统计的关系 3.2 搞懂大数定律与中心极限定理 3.2.1 大数定律想表达什么 3.2.2 中心极限定理想表达什么 3.2.3 大数定律与中心极限定理的区别 3.3 理解概率统计中的重要分布