免费书:最新的《机器学习全面指南》

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!提升数学理论水平对于提高自身的机器学习水平非常有帮助!

然而,对于大部分初学者来说,理论部分太难往往会削弱学习的积极性。在学习的时候,必须要平衡理论难度与易用性二者之间的关系。

因此,本文推荐一份非常不错的《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》的作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,可以说是非常新的了。

这本书最大的特点就是短小精悍,全书总共只有 118 页,内容精简,对于初学者非常友好,只介绍机器学习一些基础的核心的理论知识,做到了麻雀虽小,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。具体目录如下:

该书虽然篇幅不多,但是内容做到了精简。而且主要重点是介绍机器学习理论知识。这可以说是弥补了我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。对于提高 AI “软实力”非常有帮助!

例如,书中对 LASSO 回归和 rige 回归做了非常形象的解释:

上图中左边对应的是 L1 正则化,右边对应的是 L2 正则化,满足正则化条件,对于 L2 来说,限定区域是圆,这样,得到的解 w1 或 w2 为 0 的概率很小,很大概率是非零的。对于 L1 来说,限定区域是正方形,方形与蓝色区域相交的交点是顶点的概率很大,这从视觉和常识上来看是很容易理解的。这样,得到的解 w1 或 w2 为零的概率就很大了。所以,L1 正则化的解具有稀疏性。

关于 L1 正则化和 L2 正则化的详细解释,可以看下这篇文章:

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。其官网可以访问下面的网址:

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

资源下载:

为了节约大家的时间,小编已经将这份《机器学习数学基础》电子版 PDF 打包好了。获取步骤如下:

  • 扫描下方二维码关注 “程序员爱码士” 公众号

  • 公众号后台回复关键词:CGML

未经允许不得转载:红色石头的个人博客 » 免费书:最新的《机器学习全面指南》

赞 (5) 打赏

评论 0

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏