白话机器学习的数学

一本书掌握机器学习的基础数学。 1.步步引导，对话形式好理解 结合回归和分类的具体问题，逐步讲解机器学习中实用的基础数学知识 2.层层拆解，复杂公式看得懂 把数学表达式拆开看，一部分一部分地去理解就好懂了 3.用Python实现分类和回归算法 通过实际的Python编程讲解数学公式的应用，加深读者对数学知识的理解。书中的Python代码均可下载。

本书通过正在学习机器学习的程序员绫乃和她朋友美绪的对话，结合回归和分类的具体问题，逐步讲解了机器学习中实用的数学基础知识。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python编程讲解了数学公式的应用，进而加深读者对相关数学知识的理解。

立石贤吾（作者） SmartNews公司的机器学习工程师。从日本佐贺大学毕业后曾就职于数家开发公司，并于2014年入职LINE Fukuoka，在该公司于日本福冈市成立的数据分析和机器学习团队中，负责利用机器学习开发推荐系统、文本分类等产品，并担任团队负责人。2019年入职SmartNews公司，担任现职。 郑明智（译者） 智慧医疗工程师。主要研究方向为医疗与前沿ICT技术的结合及其应用，密切关注人工智能、5G、量子计算等领域。译有《松本行弘：编程语言的设计与实现》《深度学习基础与实践》《详解深度学习：基于TensorFlow和Keras学习RNN》。

第1章开始二人之旅1
1.1对机器学习的兴趣2
1.2机器学习的重要性4
1.3机器学习的算法7
1.4数学与编程12
第2章学习回归——基于广告费预测点击量15
2.1设置问题16
2.2定义模型19
2.3最小二乘法22
2.4多项式回归41
2.5多重回归45
2.6随机梯度下降法52
第3章学习分类——基于图像大小进行分类59
3.1设置问题60
3.2内积64
3.3感知机69
3.3.1训练数据的准备71
3.3.2权重向量的更新表达式74
3.4线性可分80
3.5逻辑回归82
3.5.1sigmoid函数83
3.5.2决策边界86
3.6似然函数91
3.7对数似然函数96
3.8线性不可分104
第4章评估——评估已建立的模型109
4.1模型评估110
4.2交叉验证112
4.2.1回归问题的验证112
4.2.2分类问题的验证117
4.2.3精确率和召回率121
4.2.4F值125
4.3正则化130
4.3.1过拟合130
4.3.2正则化的方法131
4.3.3正则化的效果132
4.3.4分类的正则化139
4.3.5包含正则化项的表达式的微分140
4.4学习曲线144
4.4.1欠拟合144
4.4.2区分过拟合与欠拟合146
第5章实现——使用Python编程153
5.1使用Python实现154
5.2回归155
5.2.1确认训练数据155
5.2.2作为一次函数实现158
5.2.3验证164
5.2.4多项式回归的实现168
5.2.5随机梯度下降法的实现176
5.3分类——感知机179
5.3.1确认训练数据179
5.3.2感知机的实现182
5.3.3验证185
5.4分类——逻辑回归188
5.4.1确认训练数据188
5.4.2逻辑回归的实现189
5.4.3验证194
5.4.4线性不可分分类的实现197
5.4.5随机梯度下降法的实现204
5.5正则化206
5.5.1确认训练数据206
5.5.2不应用正则化的实现210
5.5.3应用了正则化的实现212
5.6后话215
附录
A.1求和符号、求积符号218
A.2微分220
A.3偏微分224
A.4复合函数227
A.5向量和矩阵229
A.6几何向量233
A.7指数与对数237
A.8Python环境搭建241
A.9Python基础知识244
A.10NumPy基础知识254