我用夸克网盘分享了「快乐机器学习.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

学习并精通任何一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？机器学习也不例外，本书就以这四个步骤来介绍机器学习。 本书第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。 第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。 第3章介绍“机器学习怎么学”，即介绍机器如何选择出最优模型。作者在这 3 章的写作上花费的时间最多，光这 3 章的内容就绝对会让读者有所收获。 第 4~14 章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。 第 15 章介绍机器学习中的一些非常实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。 作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。 本书非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。

作者简介

王圣元 金融风险管理师；特许另类投资分析师。 学习及工作经历：现任新加坡某金融咨询公司总监。 拥有新加坡国立大学量化金融学士学位和金融数学硕士学位；在新加坡国立大学攻读硕士学位期间，曾任金融数学课程的辅导老师，深受学生喜爱，在教课结束时被评为“优秀辅导老师”。 自我学习过程：获得金融风险管理师 (FRM) 和特许另类投资分析师 (CAIA) 认证，及 Coursera 颁发的机器学习、深度学习和TensorFlow实战的认证。 平时坚持写作，是公众号“王的机器”的主理人，其中分享了关于金融工程、机器学习和量化投资的高质量文章。 作者的信条是“Yearning for Learning, Leading by Reading, Distilling by Writing”（多学多读多写，终身渴望学习，通过读书保持领先，通过写作用心灌输）。

网友热评

Enterprize: 书是好书，作者整理的很认真，图表也很漂亮，彩色页很惊艳。说说不足，这本书说是会一些统计学的高中生就可以读的，这个我是不认同，我认为至少要了解导数和矩阵一些知识才可更好的读懂。我是先读的这本书线性回归和逻辑回归，中间很多过程没有看懂。我看完吴恩达的前40个视频再回看才能明白为什么这样。吴恩达视频是循序渐进的，而这本书感觉是并不是那么循序渐进，有的知识就那么突然的出现，没有背景是不知道为什么会这样。如果作为知识总结归纳到时不错，作为入门书来读有些难。 monarch: 图文并茂地介绍了机器学习的相关内容，尤其是对于计算理论的解释，我还没从未见过如此深入浅出的。就是审稿和排版问题有点多，比如数学公式中小错误比较多，python代码的缩进也多处出错。另外，讲神经网络的时候突然用Matlab来实现也是醉了。作者实现了自己在最后一页说的话

图书目录

前言 本书阅读说明 第1章机器学习是什么——机器学习定义 引言 1.1数据 1.1.1结构型与非结构型数据 1.1.2原始数据与加工 1.1.3样本内数据与样本外数据 1.2机器学习类别 1.2.1有监督学习 1.2.2无监督学习 1.2.3半监督学习 1.2.4增强学习 1.2.5深度学习 1.2.6迁移学习 1.3性能度量 1.3.1误差函数 1.3.2回归度量 1.3.3分类度量 1.4总结 参考资料 第2章机器学习可行吗——计算学习理论 引言 2.1基础知识 2.1.1二分类 2.1.2对分 2.1.3增长函数 2.1.4突破点 2.2核心推导 2.2.1机器学习可行条件 2.2.2从已知推未知 2.2.3从民意调查到机器学习 2.2.4从单一到有限 2.2.5从有限到无限 2.2.6从无限到有限 2.3结论应用 2.3.1VC不等式 2.3.2VC维度 2.3.3模型复杂度 2.3.4样本复杂度 2.4总结 参考资料 技术附录 第3章机器学习怎么学——模型评估选择 引言 3.1模型评估 3.2训练误差和测试误差 3.2.1训练误差 3.2.2真实误差 3.2.3测试误差 3.2.4学习理论 3.3验证误差和交叉验证误差 3.3.1验证误差 3.3.2交叉验证误差 3.3.3学习理论 3.4误差剖析 3.4.1误差来源 3.4.2偏差—方差权衡 3.5模型选择 3.6总结 参考资料 技术附录 第4章线性回归 引言 4.1基础知识 4.1.1标量微积分 4.1.2向量微积分 4.2模型介绍 4.2.1核心问题 4.2.2通用线性回归模型 4.2.3特征缩放 4.2.4学习率设定 4.2.5数值算法比较 4.2.6代码实现 4.3总结 参考资料 第5章对率回归 引言 5.1基础内容 5.1.1联系函数 5.1.2函数绘图 5.2模型介绍 5.2.1核心问题 5.2.2查准和查全 5.2.3类别不平衡 5.2.4线性不可分 5.2.5多分类问题 5.2.6代码实现 5.3总结 参考资料 第6章正则化回归 引言 6.1基础知识 6.1.1等值线图 6.1.2坐标下降 6.2模型介绍 6.2.1核心问题 6.2.2模型对比 6.2.3最佳模型 6.2.4代码实现 6.3总结 参考资料 第7章支持向量机 引言 7.1基础知识 7.1.1向量初体验 7.1.2拉格朗日量 7.1.3原始和对偶 7.2模型介绍 7.2.1硬间隔SVM原始问题 7.2.2硬间隔SVM对偶问题 7.2.3软间隔SVM原始问题 7.2.4软间隔SVM对偶问题 7.2.5空间转换 7.2.6核技巧 7.2.7核SVM 7.2.8SMO算法 7.2.9模型选择 7.3总结 参考资料 技术附录 第8章朴素贝叶斯 引言 8.1基础知识 8.1.1两种概率学派 8.1.2两种独立类别 8.1.3两种学习算法 8.1.4两种估计方法 8.1.5两类概率分布 8.2模型介绍 8.2.1问题剖析 8.2.2朴素贝叶斯算法 8.2.3多元伯努利模型 8.2.4多项事件模型 8.2.5高斯判别分析模型 8.2.6多分类问题 8.2.7拉普拉斯校正 8.2.8最大似然估计和最大后验估计 8.3总结 参考资料 技术附录 第9章决策树 引言 9.1基础知识 9.1.1多数规则 9.1.2熵和条件熵 9.1.3信息增益和信息增益比 9.1.4基尼指数 9.2模型介绍 9.2.1二分类决策树 9.2.2多分类决策树 9.2.3连续值分裂 9.2.4欠拟合和过拟合 9.2.5预修剪和后修剪 9.2.6数据缺失 9.2.7代码实现 9.3总结 参考资料 第10章人工神经网络 引言 10.1基本知识 10.1.1转换函数 10.1.2单输入单层单输出神经网络 10.1.3多输入单层单输出神经网络 10.1.4多输入单层多输出神经网络 10.1.5多输入多层多输出神经网络 10.2模型应用 10.2.1创建神经网络模型 10.2.2回归应用 10.2.3分类应用 第11章正向/反向传播 引言 11.1基础知识 11.1.1神经网络元素 11.1.2链式法则 11.2算法介绍 11.2.1正向传播 11.2.2梯度下降 11.2.3反向传播 11.2.4代码实现 11.3总结 参考资料 技术附录 第12章集成学习 引言 12.1结合假设 12.1.1语文和数学 12.1.2准确和多样 12.1.3独裁和民主 12.1.4学习并结合 12.2装袋法 12.2.1基本概念 12.2.2自助采样 12.2.3结合假设 12.3提升法 12.3.1基本概念 12.3.2最优加权 12.3.3结合假设 12.4集成方式 12.4.1同质学习器 12.4.2异质学习器 12.5总结 参考资料 第13章随机森林和提升树 引言 13.1基础知识 13.1.1分类回归树 13.1.2前向分布算法 13.1.3置换检验 13.2模型介绍 13.2.1随机森林 13.2.2提升树 13.2.3代码实现 13.3总结 参考资料 第14章极度梯度提升 引言 14.1基础知识 14.1.1树的重定义 14.1.2树的复杂度 14.2模型介绍 14.2.1XGB简介 14.2.2XGB的泛化度 14.2.3XGB的精确度 14.2.4XGB的速度 14.2.5代码实现 14.3总结 参考资料 第15章本书总结 15.1正交策略 15.2单值评估指标 15.3偏差和方差 15.3.1理论定义 15.3.2实用定义 15.3.3最优误差 15.3.4两者权衡 15.3.5学习曲线 结语