想要为人工智能与机器学习打下坚实的数学基础？

请浏览一系列机器学习数学学习的资源

书籍 • 《机器学习数学基础》 — https://mml-book.github.io • 《代数、拓扑、微分计算与优化理论》 — https://cis.upenn.edu/~jean/math-deep.pdf • 《应用数学与机器学习基础》（深度学习书籍，第一部分） — https://deeplearningbook.org/contents/part_basics.html • 《概率机器学习：导论》 — https://probml.github.io/pml-book/book1.html • 《深度学习数学》 — https://d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html • 《深度学习的数学工程》 — https://deeplearningmath.org • 《统计学习基础》 — https://hastie.su.domains/ElemStatLearn/ • 《概率论：科学的逻辑》 — https://bayes.wustl.edu/etj/prob/book.pdf • 《信息论、推理与学习算法》 — https://inference.org.uk/itprnn/book.html

讲座与课程 • 《机器学习数学基础（线性代数）》 — https://youtube.com/playlist?list=PLiiljHvN6z1_o1ztXTKWPrShrMrBLo5P3 • CS229：机器学习 — https://youtube.com/playlist?list=PLoROMvodv4rNH7qL6-efu_q2_bPuy0adh • 可汗学院 – 统计与概率 — https://khanacademy.org/math/statistics-probability • 可汗学院 – 线性代数 — https://khanacademy.org/math/linear-algebra • 可汗学院 – 微积分 — https://khanacademy.org/math/calculus-home • 《线性代数应该这样学》 — https://linear.axler.net/LADRvideos.html

机器学习数学基础

来源：https://mml-book.github.io/ 《机器学习数学基础》一书的配套网页。版权所有 ©2020 Marc Peter Deisenroth、A. Aldo Faisal 和 Cheng Soon Ong。由剑桥大学出版社出版。

在 GitHub 上查看项目 (https://github.com/mml-book/mml-book.github.io)

• 在GitHub上查看 (https://github.com/mml-book/mml-book.github.io)

请使用 https://mml-book.com/ 链接到此网站。

Twitter：@mpd37 (https://twitter.com/mpd37)，@AnalogAldo (https://twitter.com/analogaldo)，@ChengSoonOng (https://twitter.com/ChengSoonOng)。

书籍封面

我们撰写了一本关于机器学习数学基础的书籍，旨在激发读者学习数学概念的兴趣。本书并不打算涵盖高级机器学习技术，因为已有大量书籍专注于这一方面。相反，我们的目标是提供必要的数学技能，以便读者能够阅读其他相关书籍。

本书已由剑桥大学出版社出版 (https://www.cambridge.org/academic/subjects/computer-science/pattern-recognition-and-machine-learning/mathematics-machine-learning?format=PB)（2020年4月出版）。

我们将本书分为两部分：

• 数学基础
• 使用数学基础的机器学习算法示例

我们力求本书篇幅简短，因此并未涵盖所有内容。

我们将免费提供本书的PDF版本 (https://mml-book.github.io/book/mml-book.pdf)。

目录

第一部分：数学基础

1. 引言与动机
2. 线性代数
3. 解析几何
4. 矩阵分解
5. 向量微积分
6. 概率与分布
7. 连续优化

第二部分：核心机器学习问题

1. 当模型遇到数据
2. 线性回归
3. 使用主成分分析进行降维
4. 使用高斯混合模型进行密度估计
5. 使用支持向量机进行分类

报告勘误与反馈 (https://github.com/mml-book/mml-book.github.io/issues)

您现在提出的任何问题可能无法纳入印刷版，但我们会保留更新的PDF版本（以及勘误表）。

下载/链接

• 本书PDF (https://mml-book.github.io/book/mml-book.pdf)。此版本为本书的最新版本，我们会持续修正笔误等。
• 附加章节（非官方书籍内容）
  • 现代积分方法 (https://mml-book.github.io/book/additional_chapters/integration-methods.pdf)
• 包含练习解答的教师手册 (https://www.cambridge.org/us/academic/subjects/computer-science/pattern-recognition-and-machine-learning/mathematics-machine-learning)（可向剑桥大学出版社索取）
• Overleaf上的勘误表 (https://www.overleaf.com/read/gskfhtxdwtmh)
• 印刷版PDF (https://mml-book.github.io/book/mml-book_printed.pdf)。此版本与本书印刷版内容相同（格式除外）。GitHub上从第433号开始的问题未包含在此版本中。

练习解答

• 包含练习解答的教师手册 (https://www.cambridge.org/us/academic/subjects/computer-science/pattern-recognition-and-machine-learning/mathematics-machine-learning)（可向剑桥大学出版社索取）
• 附加练习（含解答） (https://www.overleaf.com/read/jvnwngmkpckc)

教程

• Jupyter notebook教程（用于学习）
  1. 线性回归 (https://nbviewer.jupyter.org/github/mml-book/mml-book.github.io/blob/master/tutorials/tutorial_linear_regression.ipynb)
  2. PCA (https://nbviewer.jupyter.org/github/mml-book/mml-book.github.io/blob/master/tutorials/tutorial_pca.ipynb)
  3. 高斯混合模型 (https://nbviewer.jupyter.org/github/mml-book/mml-book.github.io/blob/master/tutorials/tutorial_gmm.ipynb)
  4. SVM（正在进行中）
• Jupyter notebook教程（解答）
  1. 线性回归 (https://mml-book.github.io/tutorials/tutorial_linear_regression.solution.ipynb)
  2. PCA (https://mml-book.github.io/tutorials/tutorial_pca.solution.ipynb)
  3. 高斯混合模型 (https://mml-book.github.io/tutorials/tutorial_gmm.solution.ipynb)
  4. SVM（正在进行中）
• NeurIPS-2020 关于积分与微分的教程 (https://mml-book.github.io/slopes-expectations.html)

外部资源

其他人已创建了支持本书内容的资源 (https://mml-book.github.io/external.html)。

推荐语

“这本书全面涵盖了机器学习所需的所有基本数学概念。我期待与学生们、同事们以及任何希望扎实理解基础知识的人分享这本书。”——Joelle Pineau，麦吉尔大学和Facebook

“近年来，机器学习领域取得了巨大的发展，成功应用的领域也日益广泛。这本综合性教科书涵盖了支撑现代机器学习的关键数学概念，重点包括线性代数、微积分和概率论。对于该领域的新手来说，它是一本宝贵的教程；对于机器学习研究人员和工程师来说，它也是一本出色的参考书。”——Christopher Bishop，微软研究院剑桥分院

“这本书清晰阐述了支撑现代机器学习的数学原理。强烈推荐给任何希望一站式深入了解机器学习基础的人。”——Pieter Abbeel，加州大学伯克利分校

“对我来说，这本书的详细程度恰到好处。太多机器学习书籍要么抱着‘别为这些细节费心’的心态，要么走向另一个极端，用细节淹没我。您的书籍全面而易于理解，感觉可以很快触及应用部分。”——Sriram Srinivasan