机器学习中的数学

《机器学习中的数学》是一本入门图书，旨在系统介绍机器学习涉及的数学知识。本书以展示数学的友好性为原则，讲述机器学习中的常见数学知识，并力求为数学基础薄弱的读者铺平在机器学习中陡峭的台阶。全书共19章，分为线性代数、高等数学和概率3个组成部分。

第1部分主要介绍向量、行列式、矩阵和方程组、矩阵的秩、消元矩阵等知识。其中涉及向量的点积与叉积、代数余子式、逆矩阵、高斯—诺尔当消元法、置换矩阵、LU分解、欧几里得距离、曼哈顿距离、切比雪夫距离、夹角余弦等等。

第2部分主要介绍导数、微分、不定积分、定积分、偏导、多重积分和参数方程等知识。书中还涉及极坐标系、柱坐标系、球坐标系、方向导数、线性近似、二阶近似、泰勒公式、牛顿法、最小二乘法、求解极值、拉格朗日乘子法、KKT条件、欧拉—拉格朗日方程等等。

第3部分则主要介绍概率、古典概型、几何概型、互斥事件、独立事件、分布函数、离散型分布、连续型分布等知识。

全书语言简练，实例典型，实用性强，基于“友好数学”原则，与机器学习完美对接。适合想了解机器学习与深度学习但数学基础较为薄弱的程序员阅读，也适合机器学习及数学爱好者、海量数据挖掘与分析人员、金融智能化从业人员等也可选择本书参考学习。

作者简介

孙博，苏州工业园区高技能领军人才，机器学习爱好者，擅长软件算法和软件结构设计。曾在CSDN及多个知名博客网站发表多篇技术文章，深受读者喜爱。目前任公司CTO，主持校企合作实习平台的建设和搞笑的软件培训工作。