內容簡介

數學是機器學習和數據科學的基礎，任何期望涉足相關領域并切實領悟具體技術與方法的人都無法繞過數學這一關。本書系統地整理并介紹了機器學習中所涉及的必備數學基礎，具體包括概率論與數理統計、微積分（主要是與最優化內容相關的部分）、凸優化及拉格朗日乘數法、數值計算、泛函分析基礎（例如核方法賴以建立的希爾伯特空間理論）以及蒙特卡洛采樣（拒絕采樣、自適應拒絕采樣、重要性采樣、吉布斯采樣和馬爾可夫鏈蒙特卡洛）等。

為了幫助讀者強化所學，本書還從上述數學基礎出發，介紹了回歸、分類（感知機、邏輯回歸、樸素貝葉斯、決策樹、支持向量機、人工神經網絡等）、聚類、降維與流形學習、集成學習以及概率圖模型等機器學習中的重要話題。

本書既可作為機器學習及相關課程的教學參考書，適合高等院校人工智能、機器學習或數據挖掘等相關專業的師生研習之用，也可供從事計算機應用（特別是數據科學相關專業）的研發人員參考。