這是一本只有100頁，任何只要有基礎數學知識的人都能看懂的機器學習書籍。本書將涵蓋非監督學習和監督學習、包括神經網絡，以及計算機科學、數學和統計學中最重要的一些機器學習問題。

一本100頁的機器學習書籍近日大受好評。

書名The Hundred-Page Machine Learning Book，作者Andriy Burkov是Gartner的機器學習團隊leader，人工智能專業PhD，有近20年各種計算項目的工作經驗。

作者表示，他的目標是寫一本任何有基礎數學知識的人都能看懂的機器學習書籍。

這本書的前5章已經在該書的配套網站上公開。這本書將涵蓋非監督學習和監督學習，包括神經網絡，以及計算機科學、數學和統計學中最重要的一些ML問題，并通過例子提供直觀的解釋。代碼和數據也將在網站上公開。

作者相信一本書應該“先讀后買”，不僅可以免費下載已公開的章節，你也可以在這里訂閱即將出版的章節：

http://themlbook.com/wiki/doku.php

已發布章節：

第1章：簡介

第一部分：監督學習

第2章：符號和定義

第3章：基本算法

第4章：剖析學習算法

第5章：基本實踐

以下是試讀：第3章：基本算法

試讀：第3章：基本算法

在本章中，我們描述了五種算法，這些算法不僅是最著名的，而且要么自身非常有效，要么被用作最有效的學習算法的構建塊。

3.1 線性回歸

線性回歸是一種常用的回歸學習算法，它學習的模型是輸入示例特征的線性組合。

問題陳述

我們有一個標記示例的集合，其中N是集合的大小，是示例i = 1的D維特征向量，是一個實值目標(也是一個實數。

我們想要建立一個模型作為示例x的特征的線性組合：

其中w是參數的D維向量，b*是實數，wx是點積。符號表示模型f由兩個值參數化：w和b。

圖1：一維示例的線性回歸。

3.2 邏輯回歸

首先要說的是邏輯回歸不是回歸，而是一個分類學習算法。這個名稱來自統計學，因為邏輯回歸的數學公式與線性回歸的數學公式相似。

我們將在二元分類的情況下解釋邏輯回歸。但它也可以擴展到多元分類。

問題陳述

在邏輯回歸中，我們仍然希望將這樣的特征的線性組合是從負無窮大到正無窮大的函數，而只有兩個可能的值。

在沒有計算機的年代，科學家們不得不手工進行計算，他們非常想找到一個線性分類模型。他們發現如果將負標簽定義為0，將正標簽定義為1，就只需要找到一個codomain為(0,1）的簡單連續函數。在這種情況下，如果模型為輸入x返回的值更接近于0，那么我們為x分配負標簽，否則，該示例將被標記為正。具有這種屬性的一個函數是標準邏輯函數（也稱為sigmoid函數）：

如圖3所示。

圖3：標準邏輯函數

3.3 決策樹學習

決策樹是一個可用于做決策的非循環圖。在圖的每個分支節點中，檢查特征向量的特定特征j。如果特征的值低于特定的閾值，則遵循左分支，否則，遵循右分支。當到達葉節點時，決定該示例所屬的類。

問題陳述

我們有一組帶標簽的示例；標簽屬于集合{0,1}。我們想要構建一個決策樹，允許我們在給定特征向量的情況下預測示例的類。

圖4：決策樹構建算法的圖示。

3.4 支持向量機

關于SVM，有兩個重要問題需要回答：

如果數據中存在噪聲，并且沒有超平面可以將正例和負例完美分開，該怎么辦？

如果數據不能使用平面分離，但可以用高階多項式分離呢？

圖5：線性不可分的情況。左：存在噪音。右：固有的非線性。

如圖5中描述的兩種情況。在左邊的示例中，如果沒有噪聲（異常值或帶有錯誤標簽的示例），數據可以用直線分隔。在正確的情況下，決策邊界是一個圓，而不是一條直線。

3.5 k-Nearest Neighbors

k-Nearest Neighbors（kNN）是一種非參數學習算法。與其他在構建模型后丟棄訓練數據的學習算法相反，kNN將所有訓練示例保存在內存中。一旦出現了一個新的、以前沒見過的示例，kNN算法會在D維空間中找到k個最接近的例子并返回多數標簽（在分類的情況下）或平均標簽（在回歸的情況下）。

兩點的接近程度由距離函數給出。例如，上面看到的Euclidean distance在實踐中經常使用。距離函數的另一個常用選擇是負余弦相似性。余弦相似度的定義如下：