涵蓋邏輯迴歸、貝葉斯等演算法，一本關於ML線上免費書籍，值得一讀

機器之心報道

編輯：陳萍、杜偉

一本關於機器學習的免費線上書籍，涉及多種演算法完整推論，歡迎查收。

提到機器學習領域的書籍資源，大家比較熟悉的有周志華老師的《機器學習》（西瓜書）、李宏毅老師的「寶可夢課程」等等。此外不同學習階段的學生也能夠找到適合自身的機器學習基礎和進階書籍資源。

周志華西瓜書。

近日，本科畢業於哈佛大學統計學與經濟學專業、現任哈佛助教的 Daniel Friedman 開放了他撰寫的一本免費線上書籍《Machine Learning from Scratch》，該書從理論和數學上介紹了 ML 最常見演算法（OLS、邏輯迴歸、樸素貝葉斯、決策樹、boosts 和神經網路等）的完整推論。

書籍地址：https：//dafriedman97。github。io/mlbook/content/introduction。html

該書是為讀者學習新的機器學習演算法或瞭解更深層次的演算法。具體地說，它是為那些有興趣學習機器學習演算法的讀者準備的。這些推導可能有助於讀者，特別是對基礎演算法不熟悉的讀者，可以更直觀地理解它們是如何工作的。或者，這些推導可以幫助有建模經驗的讀者理解不同演算法是如何建立模型，以及每種演算法的優缺點。

書籍概述

這本書涵蓋了機器學習中最常見的方法。這些方法就像一個工具箱，為那些進入機器學習領域的人提供了便利，從而可以很快地找到所需工具。該書由 7 個章節以及 1 個附錄組成。書的每一章節都對應一種機器學習方法或一組方法。

透過學習，你將學得：普通線性迴歸、線性迴歸擴充套件、判別分類器（Logistic 迴歸）、生成分類器（樸素貝葉斯）以及決策樹等演算法的完整推論。

書籍目錄如下：

與此同時，每個章節均由 3 部分內容組成，分別是概念、構建和實現，如下圖所示。

每個章節均由這 3 部分組成。

其中，概念部分從概念上介紹這些方法，並從數學上推導結果；構建部分展示瞭如何使用 Python 從頭開始構建方法；實現部分介紹瞭如何使用 Python 中的工具包（如 scikit-learn、statsmodels 和 tensorflow）應用這些方法。

為什麼選擇這本書？

現在關於機器學習的書籍數不勝數，在網上就可以免費獲得。像《An Introduction to Statistical Learning》、《Elements of Statistical Learning》 和 《Pattern Recognition and Machine Learning》，這些機器學習書籍的作者掌握的知識更豐富，書籍內容涵蓋的範圍也更廣。但值得注意的一點是：這些書籍只提供了概念上的機器學習以及方法背後的理論。

但是，本書重點介紹了機器學習演算法的基本框架，旨在為讀者提供獨立構建這些演算法的能力。作為一種「工具箱」而言，本書旨在成為使用者指南，它不是用來指導使用者關於該領域的廣泛實踐，而是在微觀層面上講述如何使用每種工具。

這本書需要讀者掌握哪些知識？

需要注意的是，這本書的「概念」部分需要讀者瞭解微積分知識，有些還需要了解機率（如最大似然和貝葉斯規則）和基本線性代數知識（如矩陣運算和點積）。

不過，該書附錄部分回顧了所需的數學和機率知識。「概念」部分還參考了一些常見的機器學習方法，這些方法在附錄中也有介紹。所以，「概念」部分不需要任何程式設計知識。

該書的「構建」和「程式碼」部分使用了一些基礎的 Python 知識。「構建」部分需要了解相應的內容，並且需要熟悉用 Python 建立函式和類。「程式碼」部分則不需要這些知識。

網友評價

對於這本免費書籍，網友也給出了評論：「非常感謝把這些內容規整到一起。」

也有其他網友表示了感謝分享：「感謝分享，這看起來像是一個真正的專案。我會仔細閱覽的！」

參考連結：https：//www。linkedin。com/in/daniel-friedman-36b1b2139/