内容提要

零基础读者应如何快速入门机器学习？数学基础薄弱的读者应如何理解机器学习中的数学原理？这些正是本书要解决的问题。本书从数学基础知识入手，通过前3章的介绍，帮助读者轻松复习机器学习涉及的数学知识；然后，通过第4～第13章的介绍，逐步讲解机器学习常见算法的相关知识，帮助读者快速入门机器学习；最后，通过第14章的综合实践，帮助读者回顾本书内容，进一步巩固所学知识。

本书适合对机器学习感兴趣但数学基础比较薄弱的读者学习，也适合作为相关专业的学生入门机器学习的参考用书。

前言

虽然目前机器学习受到大众的欢迎和热捧，但由于机器学习既涉及编程基础又涉及微积分、线性代数及概率统计等数学知识，学科的综合性很强，因此大部分读者只能望而却步。同时，市面上的很多机器学习相关图书往往存在两个极端。

（1）浅尝辄止，止于通识。这类图书主要以通识类机器学习介绍为主，几乎不对机器学习算法原理进行详细描述，只简单概括算法的用途和优缺点。这类图书虽然能够满足零基础读者对机器学习的“扫盲”需求，但难以满足广大读者深入了解机器学习算法原理的核心需求。

（2）满页公式，令人望而生畏。这类图书常用大量公式推导来展示机器学习算法原理，对数学基础薄弱的读者来说，这类图书阅读起来非常困难。数学基础薄弱的读者往往翻上几页之后便将其束之高阁，不再问津。

既能通俗直白地讲解机器学习算法原理，又能对机器学习关键的数学原理进行细致入微的讲解，并且还能通过手把手的代码案例教学帮助读者快速入门，这些就是本书所要实现的目标。总体来说，本书主要具有以下特点。

（1）形象直白地讲解机器学习算法原理。本书用直白、形象、生动的语言向读者讲述机器学习的关键知识，如机器学习是什么、机器学习的流程环节有哪些、机器学习的核心过程是怎样的、机器学习的典型算法内容等，使零基础读者也能够深入理解机器学习算法原理。

（2）细致讲解关键数学原理。读者要真正理解机器学习的底层原理很难完全脱离数学知识，因此，通俗直观地讲解机器学习的数学原理就是本书的特色与亮点。本书梳理了机器学习中常用的数学知识点，并直观、形象地进行讲述，帮助读者夯实数学基础。同时，本书针对重点内容如凸优化与梯度下降、数据降维与主成分分析（PCA)等进行深入讲解，保证读者能够理解并掌握核心内容。

（3）代码分段讲解，帮助读者上手实操。目前，有些图书的代码部分冗长且没有详细解释，这导致编程基础较为薄弱的读者面对大量代码时产生畏难情绪。本书对代码部分进行拆分讲解，并对每一个小模块进行细致讲解，非常适合编程基础较为薄弱的读者学习。

机器学习是一门综合性极强的学科，既包含微积分、线性代数和概率统计等高等数学基础知识，又包含编程语法与工业实践经验，因此学习门槛相对较高。如何降低机器学习的学习门槛而又保证学习的深度，是一个亟待解决的难题。本书在内容编排上根据读者不同的知识背景，力图做到知识讲解“直白形象，层层递进”。

（1）补基础。第1～第3章用直观形象的讲解方式，帮助读者夯实微积分、线性代数和概率统计的基础。这部分不是简单地将大学教科书的内容照搬过来，而是强调数学知识讲解的“直观形象、可感知”，希望读者阅读之后产生“原来如此”的感受，将大学阶段很多不明白的数学知识彻底搞清楚。

（2）机器学习的全景与关键。第4～第6章讲述机器学习的全景脉络和关键内容，如凸优化与梯度下降、数据降维与PCA等，帮助读者理解机器学习的全貌。

（3）算法与代码详解。第7～第14章讲述各个典型算法的来龙去脉，用最直观形象的语言描述最本质的原理，使零基础读者也能够快速理解算法原理。

本书充分考虑了零基础读者希望深度理解机器学习算法原理的需求，力求在直观形象、通俗易懂与深度讲解之间取得较好的平衡。本书主要面向下述读者群体。