全書(shū)共分為兩篇：在上篇中，將從浩瀚的數(shù)學(xué)海洋中擷取機(jī)器學(xué)習(xí)研究人員最為必須和重要的數(shù)學(xué)基礎(chǔ)。內(nèi)容主要包括：微積分（含場(chǎng)論）、數(shù)值計(jì)算和常用最優(yōu)化方法、概率論基礎(chǔ)與數(shù)理統(tǒng)計(jì)、線性代數(shù)等。在下篇中，將選取機(jī)器學(xué)習(xí)中最為常用的算法和模型進(jìn)行講解，這部分內(nèi)容將涉及（廣義）線性回歸、圖模型（包含貝葉斯網(wǎng)絡(luò)和HMM等）、分類算法（包括SVM，邏輯回歸，神經(jīng)網(wǎng)絡(luò)等）和聚類算法（包括K均值和EM算法等）等話題。
目錄
第壹章概率論基礎(chǔ)
1.1概率論的基本概念
1.2隨機(jī)變量數(shù)字特征
1.2.1期望
1.2.2方差
1.2.3矩與矩母函數(shù)
1.2.4協(xié)方差與協(xié)方差矩陣
1.3基本概率分布模型
1.3.1離散概率分布
1.3.2連續(xù)概率分布
1.3.3在R語(yǔ)言中使用內(nèi)嵌分布
1.4概率論中的重要定理
1.4.1大數(shù)定理
1.4.2中心極限定理
1.5經(jīng)驗(yàn)分布函數(shù)
第2章*優(yōu)化基礎(chǔ)
2.1泰勒公式
2.2里塞矩陣
2.3凸函數(shù)與詹森不等式
2.3.1凸函數(shù)的概念
2.3.2詹森不等式及其證明
2.3.3詹森不等式的應(yīng)用
2.4泛函與抽象空間
2.4.1線性空間
2.4.2距離空間
2.4.3賦范空間
2.4.4巴拿赫空間
2.4.5內(nèi)積空間
2.4.6希爾伯特空間
2.5從泛函到變分法
2.5.1理解泛函的概念
2.5.2關(guān)于變分概念
2.5.3變分法的基本方程
2.5.4哈密頓原理
2.5.5等式約束下的變分
第3章統(tǒng)計(jì)推斷
3.1隨機(jī)采樣
3.2參數(shù)估計(jì)
3.2.1參數(shù)估計(jì)的基本原理
3.2.2單總體參數(shù)區(qū)間估計(jì)
3.2.3雙總體均值差的估計(jì)
3.2.4雙總體比例差的估計(jì)
3.3假設(shè)檢驗(yàn)
3.3.1基本概念
3.3.2兩類錯(cuò)誤
3.3.3均值檢驗(yàn)
3.4*大似然估計(jì)
3.4.1*大似然法的基本原理
3.4.2求*大似然估計(jì)的方法
3.4.3*大似然估計(jì)應(yīng)用舉例
第4章采樣方法
4.1蒙特卡洛法求定積分
4.1.1無(wú)意識(shí)統(tǒng)計(jì)學(xué)家法則
4.1.2投點(diǎn)法
4.1.3期望法
4.2蒙特卡洛采樣
4.2.1逆采樣
4.2.2博克斯穆勒變換
4.2.3拒絕采樣與自適應(yīng)拒絕采樣
4.3矩陣的極限與馬爾可夫鏈
4.4查普曼柯?tīng)柲缏宸虻仁?
4.5馬爾可夫鏈蒙特卡洛方法
4.5.1重要性采樣
4.5.2馬爾可夫鏈蒙特卡洛方法的基本概念
4.5.3米特羅波利斯黑斯廷斯算法
4.5.4吉布斯采樣
第5章一元線性回歸
5.1回歸分析的性質(zhì)
5.2回歸的基本概念
5.2.1總體的回歸函數(shù)
5.2.2隨機(jī)干擾的意義
5.2.3樣本的回歸函數(shù)
5.3回歸模型的估計(jì)
5.3.1普通*小二乘法原理
5.3.2一元線性回歸的應(yīng)用
5.3.3經(jīng)典模型的基本假定
5.3.4總體方差的無(wú)偏估計(jì)
5.3.5估計(jì)參數(shù)的概率分布
5.4正態(tài)條件下的模型檢驗(yàn)
5.4.1擬合優(yōu)度的檢驗(yàn)
5.4.2整體性假定檢驗(yàn)
5.4.3單個(gè)參數(shù)的檢驗(yàn)
5.5一元線性回歸模型預(yù)測(cè)
5.5.1點(diǎn)預(yù)測(cè)
5.5.2區(qū)間預(yù)測(cè)
第6章多元線性回歸
6.1多元線性回歸模型
6.2多元回歸模型估計(jì)
6.2.1*小二乘估計(jì)量
6.2.2多元回歸實(shí)例
6.2.3總體參數(shù)估計(jì)量
6.3從線性代數(shù)角度理解*小二乘
6.3.1*小二乘問(wèn)題的通解
6.3.2*小二乘問(wèn)題的計(jì)算
6.4多元回歸模型檢驗(yàn)
6.4.1線性回歸的顯著性
6.4.2回歸系數(shù)的顯著性
6.5多元線性回歸模型預(yù)測(cè)
6.6格蘭杰因果關(guān)系檢驗(yàn)
第7章線性回歸進(jìn)階
7.1更多回歸模型函數(shù)形式
7.1.1雙對(duì)數(shù)模型以及生產(chǎn)函數(shù)
7.1.2倒數(shù)模型與菲利普斯曲線
7.1.3多項(xiàng)式回歸模型及其分析
7.2回歸模型的評(píng)估與選擇
7.2.1嵌套模型選擇
7.2.2赤池信息準(zhǔn)則
7.2.3逐步回歸方法
7.3現(xiàn)代回歸方法的新進(jìn)展
7.3.1多重共線性
7.3.2嶺回歸
7.3.3從嶺回歸到LASSO
7.3.4正則化
第8章邏輯回歸與*大熵模型
8.1邏輯回歸
8.2牛頓法解Logistic回歸
8.3多元邏輯回歸
8.4*大熵模型
8.4.1*大熵原理
8.4.2約束條件
8.4.3模型推導(dǎo)
8.4.4*大熵模型的*大似然估計(jì)
第9章聚類分析
9.1聚類的概念
9.2k均值算法
9.2.1距離度量
9.2.2算法描述
9.2.3應(yīng)用實(shí)例
9.3*大期望算法
9.3.1算法原理
9.3.2收斂探討
9.4高斯混合模型
9.4.1模型推導(dǎo)
9.4.2應(yīng)用實(shí)例
9.5密度聚類與DBSCAN算法
第壹0章支持向量機(jī)
10.1線性可分的支持向量機(jī)
10.1.1函數(shù)距離與幾何距離
10.1.2*大間隔分類器
10.1.3拉格朗日乘數(shù)法
10.1.4對(duì)偶問(wèn)題的求解
10.2松弛因子與軟間隔模型
10.3非線性支持向量機(jī)方法
10.3.1從更高維度上分類
10.3.2非線性核函數(shù)方法
10.3.3機(jī)器學(xué)習(xí)中的核方法
10.3.4默瑟定理
10.4對(duì)數(shù)據(jù)進(jìn)行分類的實(shí)踐
10.4.1基本建模函數(shù)
10.4.2分析建模結(jié)果
第壹1章貝葉斯推斷與概率圖模型
11.1貝葉斯公式與邊緣分布
11.2貝葉斯推斷中的重要概念
11.2.1先驗(yàn)概率與后驗(yàn)概率
11.2.2共軛分布
11.3樸素貝葉斯分類器
11.4貝葉斯網(wǎng)絡(luò)
11.4.1基本結(jié)構(gòu)單元
11.4.2模型推理
11.5貝葉斯推斷的應(yīng)用示例
11.6隱馬爾可夫模型
11.6.1隨機(jī)過(guò)程
11.6.2從時(shí)間角度考慮不確定性
11.6.3前向算法
11.6.4維特比算法
第壹2章降維與流形學(xué)習(xí)
12.1主成分分析
12.2奇異值分解
12.2.1一個(gè)基本的認(rèn)識(shí)
12.2.2為什么可以做SVD
12.2.3SVD與PCA的關(guān)系
12.2.4應(yīng)用示例與矩陣偽逆
12.3多維標(biāo)度法
第壹3章決策樹(shù)
13.1決策樹(shù)基礎(chǔ)
13.1.1Hunt算法
13.1.2基尼測(cè)度與劃分
13.1.3信息熵與信息增益
13.1.4分類誤差
13.2決策樹(shù)進(jìn)階
13.2.1ID3算法
13.2.2C4.5算法
13.3分類回歸樹(shù)
13.4決策樹(shù)剪枝
13.4.1沒(méi)有免費(fèi)午餐定理
13.4.2剪枝方法
13.5分類器的評(píng)估
第壹4章人工神經(jīng)網(wǎng)絡(luò)
14.1從感知機(jī)開(kāi)始
14.1.1感知機(jī)模型
14.1.2感知機(jī)學(xué)習(xí)
14.1.3多層感知機(jī)
14.2基本神經(jīng)網(wǎng)絡(luò)
14.2.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
14.2.2符號(hào)標(biāo)記說(shuō)明
14.2.3后向傳播算法
14.3神經(jīng)網(wǎng)絡(luò)實(shí)踐
14.3.1核心函數(shù)介紹
14.3.2應(yīng)用分析實(shí)踐
第壹5章集成學(xué)習(xí)
15.1集成學(xué)習(xí)的理論基礎(chǔ)
15.2Bootstrap方法
15.3Bagging與隨機(jī)森林
15.4Boosting與AdaBoost
附錄A信息論基礎(chǔ)
附錄B
參考文獻(xiàn)
書(shū)單推薦
