免費書:最新的《機器學習全面指南》

红色石头發表於2020-02-04

無需置疑,數學基礎和理論知識在機器學習中扮演十分重要的角色!提升數學理論水平對於提高自身的機器學習水平非常有幫助!

然而,對於大部分初學者來說,理論部分太難往往會削弱學習的積極性。在學習的時候,必須要平衡理論難度與易用性二者之間的關係。

因此,本文推薦一份非常不錯的《A Comprehensive Guide to Machine Learning》,中文譯為:《機器學習全面指南》。

這份《機器學習全面指南》的作者是來自伯克利電氣工程與電腦科學系的 Soroush Nasiriany, Garrett Thomas, William Wang, Alex Yang, Jennifer Listgarten, Anant Sahai。該書釋出於 2019 年 11 月,可以說是非常新的了。

這本書最大的特點就是短小精悍,全書總共只有 118 頁,內容精簡,對於初學者非常友好,只介紹機器學習一些基礎的核心的理論知識,做到了麻雀雖小,五臟俱全!

全書總共有 8 章,涉及的主要內容包括:迴歸、降維、神經網路、分類、聚類、決策樹、深度學習等。具體目錄如下:

該書雖然篇幅不多,但是內容做到了精簡。而且主要重點是介紹機器學習理論知識。這可以說是彌補了我們在學習中的一些理論盲點,重點解釋常見的機器學習中的數學知識。對於提高 AI “軟實力”非常有幫助!

例如,書中對 LASSO 迴歸和 rige 迴歸做了非常形象的解釋:

上圖中左邊對應的是 L1 正則化,右邊對應的是 L2 正則化,滿足正則化條件,對於 L2 來說,限定區域是圓,這樣,得到的解 w1 或 w2 為 0 的概率很小,很大概率是非零的。對於 L1 來說,限定區域是正方形,方形與藍色區域相交的交點是頂點的概率很大,這從視覺和常識上來看是很容易理解的。這樣,得到的解 w1 或 w2 為零的概率就很大了。所以,L1 正則化的解具有稀疏性。

關於 L1 正則化和 L2 正則化的詳細解釋,可以看下這篇文章:

機器學習中 L1 和 L2 正則化的直觀解釋

關於這本《機器學習全面指南》,也是 CS189 講義。其官網可以訪問下面的網址:

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

資源下載:

為了節約大家的時間,小編已經將這份《機器學習數學基礎》電子版 PDF 打包好了。獲取步驟如下:

  • 掃描下方二維碼關注 “程式設計師愛碼士” 公眾號
  • 公眾號後臺回覆關鍵詞:CGML

相關文章