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：
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
