機器學習基礎：從入門到求職

本書是一本機器學習算法方面的理論+實踐讀物，主要包含機器學習基礎理論、回歸模型、分類模型、聚類模型、降維模型和深度學習模型六大部分。機器學習基礎理論部分包含第1、2章，主要介紹機器學習的理論基礎和工程實踐基礎。第3章是回歸模型部分，主要包括模型的建立、學習策略的確定和優化算法的求解過程，最後結合三種常見的線性回歸模型實現了一個房價預測的案例。第4至11章詳細介紹了幾種常見的分類模型，包括樸素貝葉斯模型、K近鄰模型、決策樹模型、Logistic回歸模型、支持向量機模型、隨機森林模型、AdaBoost模型和提升樹模型，每一個模型都給出了較為詳細的推導過程和實際應用案例。第12章系統介紹了五種常見的聚類模型，包括K-Means聚類、層次聚類、密度聚類、譜聚類和高斯混合聚類，每一個模型的原理、優缺點和工程應用實踐都給出了較為詳細的說明。第13章系統介紹了四種常用的降維方式，包括奇異值分解、主成分分析、線性判別分析和局部線性嵌入，同樣給出了詳細的理論推導和分析。最後兩章分別是詞向量模型和深度神經網絡模型，其中，詞向量模型詳細介紹了Word2Vec和Doc2Vec模型的原理推導和應用；深度神經網絡模型系統介紹了深度學習相關的各類基礎知識。本書適合對人工智能和機器學習感興趣的學生、求職者和已工作人士，以及想要使用機器學習這一工具的跨行業者（有最基本的高等數學、線性代數、概率基礎即可），具體判別方法建議您閱讀本書的前言。