在此获取《机器学习的数学》：http://amzn.to/4eN7i52，作者 @TivadarDanka，由 @PacktDataML 出版 — GitHub 仓库：http://github.com/cosmic-cortex/ — 以下是我的书评：

从经验中学习的数学算法集合

这本厚重的著作令人惊叹，全面涵盖了众多数学领域及其与人工智能、数据科学和机器学习（AI+DSML）世界的交汇。我记得第一次接触机器学习的情景。那是20多年前的事，而那时我作为天体物理学家，已经在高等数学中浸淫了20余年。

我与ML的初次相遇源于这个定义：“机器学习是从经验中学习的数学算法集合”（改编自CMU的Tom Mitchell的原话）。这个定义让我惊讶、困惑，但也激发了我的动力，将我的职业生涯轨迹从天体物理学转向了AI+DSML。

Tivadar Danka的这本书完整诠释了这个定义的内涵。本书透彻讲解了数学的诸多领域和范畴，通过这些领域可以检测、描述、学习和识别数据中的模式——这一切都是为了驱动ML和AI算法、应用和愿景。

无论你的数学水平如何（无论已达到何种程度），这本书都将在许多方面激励你、启发你、赋予你灵感。我们都有成长的空间。

这是一本好书，值得放在每个人的案头，随时准备帮助你探索并运用这完整的“从经验中学习”的数学算法集合。

本书附有丰富的GitHub代码仓库，包含Jupyter笔记本。在实践中学习！在学习中实践！

免责声明：出版商向我提供了本书的免费评审副本。

Amazon.com：《机器学习的数学》：掌握机器学习所需的线性代数、微积分与概率论：9781837027873：Tivadar Danka：图书

来源：https://www.amazon.com/Mathematics-Machine-Learning-calculus-probability/dp/1837027870?&linkCode=sl1&tag=kirkdborne-20&linkId=ee7d282a578e48d786fbbf68cac422b7&language=en_US&ref_=as_li_ss_tl “作为一名教授人工智能课程的教授，我一直在寻找能将数学严谨性与实践相关性相结合的资源——而《机器学习的数学》做到了。我计划将其中几章列为我AI课程的必读内容，特别是关于线性代数和多元微积分的部分。Tivadar Danka非常出色地将核心数学概念与现实世界的AI应用联系起来，并辅以清晰的Python示例，使内容易于理解。我也强烈推荐这本书给那些希望自学以夯实AI数学基础的专业人士——它结构清晰且易于上手。” ——Tom Yeh 教授，科罗拉多大学博尔德分校，《AI by Hand》主持人

“通常，现实世界中机器学习成功的最大障碍是掌握基础数学。Tivadar Danka的《机器学习的数学》通过精确的解释和实用的练习清除了这个障碍。本书围绕从向量空间到梯度几何解释的实用案例研究进行设计，不仅提供了定理，还让你能够立即将它们应用于生产项目。” ——Etibar Aliyev，Google AI 团队负责人

“大多数声称教授机器学习背后数学的书，要么过度简化，要么淹没在抽象概念中。这本做到了两者皆非。它在重要处精准，在需要时通俗，并且从未忘记数学存在的初衷。没有空话，没有尴尬的比喻——只有清晰的思考和结构优美的阐述。你能看出作者既完成了证明也编写了代码。强烈推荐给所有认真想要理解（而不仅仅是使用）ML的人。” ——Mike Erlihson 博士，隐身初创公司AI负责人

“作为一个抱着强烈意愿去理解机器学习底层数学的人，我很快发现许多资料是多么零散和难以获取。《机器学习的数学》脱颖而出，成为一本全面、结构清晰的指南，将从线性代数和微积分到概率与优化的所有核心主题，以清晰连贯的方式汇集在一起。材料的呈现既严谨又清晰，附带的Python代码弥合了理论与实践之间的鸿沟。对于任何希望在该领域建立坚实数学基础的人来说，这都是不可或缺的资源。” ——Prashant Kulkarni，Google Cloud AI安全首席研究工程师

“这本书为你的机器学习项目提供了精心构建的数学指南。它在恰到好处的深度上提供了你所需知道的一切！它包括原理、图示和代码示例，使概念变得生动。我强烈推荐给任何认真对待自己职业生涯的人！” ——T. Scott Clendaniel，宾夕法尼亚大学AI联合讲师

“Danka的著作作为一本基础教材，弥合了抽象数学与数据科学实际应用之间常常令人望而生畏的鸿沟。这本书对于致力于掌握本学科理论基础的有抱负的机器学习工程师和数据科学家来说是不可或缺的资源。线性代数部分以其清晰性尤为突出，函数与微积分部分也执行得非常出色。包含多元微积分体现了本书的全面性，为读者应对现实世界机器学习问题中普遍存在的高维数据做好了准备。书中对序列、极限、连续性和微分的处理既详尽又切合上下文。这一部分使读者能够更深入地理解模型训练的机制。作者成功地揭开了支撑机器学习的微积分的神秘面纱，使其对广大读者变得易于理解。最后，本书包含的概率论完成了机器学习所需的三大数学支柱。作者的整体方法鼓励了一种批判性思维模式，这在更敷衍的教材中常常缺失。读者被积极鼓励去接触材料、质疑假设，甚至尝试自己证明所提出的定理。[…] 总之，《机器学习的数学》是一本必备教材，在清晰性、实践相关性以及激发对机器学习数学之美的真正欣赏方面都表现出色。” ——Antonio Gulli，Google高级总监、杰出工程师

Tivadar Danka是数学家出身，职业是机器学习工程师，但热情在于教育。2016年完成关于正交多项式这一深奥主题的博士学位后，他转换了职业道路，从此一直从事机器学习工作。他的工作包括将深度学习应用于细胞显微镜图像以识别和表型细胞、创建最受欢迎的开源Python主动学习包之一、从头开始构建完整的机器学习库，以及通过发布高质量的教育内容在社交媒体上积累了约10万名粉丝。