——零基础入门机器学习技术，该怎么学？

——面对机器学习庞大的知识体系，觉得无法上手？

——人工智能的算法、理论、技术好抽象，总是看不懂？

如果你遇到了这些问题，那么这本机器学习“小白书”正是你的选择——“硬核”的机器学习书也可以很有趣！



1.本书以AI菜鸟“小冰”拜师程序员“咖哥”为背景，精心设计了一条贴合零基础读者的入门路线。

2.本书强调实战，书中的案例都源自真实项目，方便读者动手操作和应用，连接入门与业务，力求让大家快速领会机器学习内涵，从而拥有在人工智能领域深耕的能力。

3.所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。

4.为读者提供配套全书源代码、和大量案例数据集下载。

引子：AI 菜鸟的挑战—100 天上线智能预警系统

课 机器学习快速上手路径—唯有实战

1.1 机器学习的家族谱

1.1.1 新手入门机器学习的3 个好消息

1.1.2 机器学习就是从数据中发现规律

1.1.3 机器学习的类别—监督学习及其他

1.1.4 机器学习的重要分支—深度学习

1.1.5 机器学习新热点—强化学习

1.1.6 机器学习的两大应用场景—回归与分类

1.1.7 机器学习的其他应用场景

1.2 快捷的云实战学习模式

1.2.1 在线学习平台上的机器学习课程

1.2.2 用Jupyter Notebook 直接实战

1.2.3 用Google Colab 开发个机器学习程序

1.2.4 在Kaggle 上参与机器学习竞赛

1.2.5 在本机上“玩”机器学习

1.3 基本机器学习术语

1.3.1 特征

1.3.2 标签

1.3.3 模型

1.4 Python 和机器学习框架

1.4.1 为什么选择用Python

1.4.2 机器学习和深度学习框架

1.5 机器学习项目实战架构

1.5.1 个环节：问题定义

1.5.2 第2 个环节：数据的收集和预处理

1.5.3 第3 个环节：选择机器学习模型

1.5.4 第4 个环节：训练机器，确定参数

1.5.5 第5 个环节：超参数调试和性能优化

1.6 本课内容小结

1.7 课后练习

第2 课 数学和Python 基础知识—一天搞定

2.1 函数描述了事物间的关系

2.1.1 什么是函数

2.1.2 机器学习中的函数

2.2 捕捉函数的变化趋势

2.2.1 连续性是求导的前提条件

2.2.2 通过求导发现y 如何随x 而变

2.2.3 凸函数有一个全局点

2.3 梯度下降是机器学习的动力之源

2.3.1 什么是梯度

2.3.2 梯度下降：下山的隐喻

2.3.3 梯度下降有什么用

2.4 机器学习的数据结构—张量

2.4.1 张量的轴、阶和形状

2.4.2 标量—0D（阶）张量

2.4.3 向量—1D（阶）张量

2.4.4 矩阵—2D（阶）张量

2.4.5 序列数据 —3D（阶）张量

2.4.6 图像数据 —4D（阶）张量

2.4.7 视频数据—5D（阶）张量

2.4.8 数据的维度和空间的维度

2.5 Python 的张量运算

2.5.1 机器学习中张量的创建

2.5.2 通过索引和切片访问张量中的数据

2.5.3 张量的整体操作和逐元素运算

2.5.4 张量的变形和转置

2.5.5 Python 中的广播

2.5.6 向量和矩阵的点积运算

2.6 机器学习的几何意义

2.6.1 机器学习的向量空间

2.6.2 深度学习和数据流形

2.7 概率与统计研究了随机事件的规律

2.7.1 什么是概率

2.7.2 正态分布

2.7.3 标准差和方差

2.8 本课内容小结

2.9 课后练习

第3 课 线性回归—预测网店的销售额

3.1 问题定义：小冰的网店广告该如何投放

3.2 数据的收集和预处理

3.2.1 收集网店销售额数据

3.2.2 数据读取和可视化

3.2.3 数据的相关分析

3.2.4 数据的散点图

3.2.5 数据集清洗和规范化

3.2.6 拆分数据集为训练集和测试集

3.2.7 把数据归一化

3.3 选择机器学习模型

3.3.1 确定线性回归模型

3.3.2 假设（预测）函数—h （x ）

3.3.3 损失（误差）函数—L （w ，b ）

3.4 通过梯度下降找到参数

3.4.1 训练机器要有正确的方向

3.4.2 凸函数确保有小损失点

3.4.3 梯度下降的实现

3.4.4 学习速率也很重要

3.5 实现一元线性回归模型并调试超参数

3.5.1 权重和偏置的初始值

3.5.2 进行梯度下降

3.5.3 调试学习速率

3.5.4 调试迭代次数

3.5.5 在测试集上进行预测

3.5.6 用轮廓图描绘L 、w 和b 的关系

3.6 实现多元线性回归模型

3.6.1 向量化的点积运算

3.6.2 多变量的损失函数和梯度下降

3.6.3 构建一个线性回归函数模型

3.6.4 初始化权重并训练机器

3.7 本课内容小结

3.8 课后练习

第4 课 逻辑回归—给病患和鸢尾花分类

4.1 问题定义：判断客户是否患病

4.2 从回归问题到分类问题

4.2.1 机器学习中的分类问题

4.2.2 用线性回归 阶跃函数完成分类

4.2.3 通过Sigmiod 函数进行转换

4.2.4 逻辑回归的假设函数

4.2.5 逻辑回归的损失函数

4.2.6 逻辑回归的梯度下降

4.3 通过逻辑回归解决二元分类问题

4.3.1 数据的准备与分析

4.3.2 建立逻辑回归模型

4.3.3 开始训练机器

4.3.4 测试分类结果

4.3.5 绘制损失曲线

4.3.6 直接调用Sklearn 库

4.3.7 哑特征的使用

4.4 问题定义：确定鸢尾花的种类

4.5 从二元分类到多元分类

4.5.1 以一对多

4.5.2 多元分类的损失函数

4.6 正则化、欠拟合和过拟合

4.6.1 正则化

4.6.2 欠拟合和过拟合

4.6.3 正则化参数

4.7 通过逻辑回归解决多元分类问题

4.7.1 数据的准备与分析

4.7.2 通过Sklearn 实现逻辑回归的多元分类

4.7.3 正则化参数—C 值的选择

4.8 本课内容小结

4.9 课后练习

第5 课 深度神经网络—找出可能流失的客户

5.1 问题定义：咖哥接手的金融项目
......

本书的目标，是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松地掌握机器学习的基本知识，从而拥有相关的实战能力。

本书通过AI“小白”小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。本书所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。

本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。

黄佳，新加坡埃森哲公司顾问，人工智能专家，机器学习和云计算工程师。计算机世界奖学金获得者，新加坡政府奖学金获得者。黄佳先生IT从业近20年，参与过公共事业、医疗、金融等多领域大型人工智能项目，对政府、企业和事业单位的数据智能化项目如何成功落地有着非常深刻的思考和洞见。