前言
机器学习是一系列尝试将人类知识和推理转化为适用于构建机器和工程
自动化系统的形式的最新尝试。 随着机器学习变得越来越普遍，并且其
软件包变得更易于使用，将低级技术细节抽象化并隐藏对从业者来说是自
然而又可取的。 然而，这也带来了一个危险，从业者可能会对设计决策
和机器学习算法的限制变得无知。 对于那些对成功的机器学习算法背后
的奥秘感兴趣并希望了解更多的热情从业者，目前需要具备一系列艰巨
的先决知识：
• 编程语言和数据分析工具
• 大规模计算及相关框架
• 数学和统计学以及机器学习如何建立在其基础上
在大学里，机器学习的入门课程往往会花费课程的早期部分来介绍这些先
决条件。 出于历史原因，机器学习课程往往在计算机科学系开设，学生
通常接受第一和第二领域的培训，但在数学和统计学方面的培训较少。
当前的机器学习教材试图在书的开头或附录中挤入一两章背景数学知识。
这本书将基本机器学习概念的数学基础放在了前面，并将信息收集在一个
地方。
为什么需要另一本关于机器学习的书？
机器学习建立在数学语言之上，用于表达那些看似直观明了但实际上很难
形式化的概念。 一旦正确形式化，我们就可以使用数学工具来推导我们
设计选择的结果。 这使我们能够深入了解我们正在解决的任务以及智能
的本质。 全球数学学生普遍抱怨所学内容似乎与实际问题没有太大关联
。 我们认为机器学习是人们学习数学的一个明显而直接的动机。
1
《机器学习的数学基础》的草稿章节（2018年9月11日） ©2018年Marc Peter Deisenroth、A Al
do Faisal和Cheng Soon Ong著。由剑桥大学出版社出版。请将勘误和反馈报告发送至http://mm
l-book.com。 请不要发布或分发此文件，请链接至https://mml-book.com。
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
剩余375页未读，继续阅读
资源评论
