开源！Gartner力推的百页机器学习书，可以免费下载了！

如今的大型企业都在经历着自工业化以来最大的变革。人工智能颠覆了工业，颠覆了我们的工作、思考和互动的方式，Gartner的一项报告预测，到2020年，人工智能将创造230万个就业岗位，以此同时也会减少180万个人力岗位。机器学习是驱动人工智能发展的主要动力，这个领域的专家数量不多，各大企业都在争抢高技能人才。

说到这里，你可能已经猜到猿哥今天要和大家分享的是一本有关人工智能的书，这本书只有152页，非常简短。名叫——《The Hundred-Page Machine Learning Book》

但麻雀虽小五脏俱全，这本书涵盖了监督和非监督式学习，支持向量机，神经网络，集成方法，梯度下降法，聚类分析和数据降维，自编码和迁移学习，特征工程和超参数优化，数学知识、插图等内容都包含在这本152页的书籍里

具体的章节目录如下：

• 前言
• 第 1 章：介绍
• 第一部分：监督式学习
• 第二章：标记和定义
• 第三章：基础算法
• 第四章：学习算法的解剖
• 第五章：基础实战
• 第六章：神经网络与深度学习
• 第七章：问题与解决
• 第八章：进阶实战
• 第二部分：非监督式学习和其它学习
• 第九章：非监督式学习
• 第十章：其它形式学习
• 第十一章：结论

作者本着先阅读后购买的原则，因此你可以先在在线免费阅读/下载书籍，直到你认为它值得你购买的时候再购买。

这本书在线阅读还有一个好处就是，在页面的右侧有网友评论，你可以通过网友评论发现本书错误或者不足的地方，从而避免被误导，还能查看作者最新的更新时间等

除此之外，作者还在GitHub上开源了本书配套的所有代码

GitHub地址：https://github.com/aburkov/theMLbook

比如多元高斯分布(GaussianMixture Model GMM)这个内容，作者在书的9.2.4进行了详细的讲解：

再如第三章中的关于线性回归算法的介绍：线性回归算法是一种流行的回归学习算法，学习的模型是利用数理统计中的回归分析

其对应的Python代码如下：

import numpy as np 


import matplotlib.pyplot as plt 


 


from sklearn.linear_model import Ridge 


from sklearn.preprocessing import PolynomialFeatures 


from sklearn.pipeline import make_pipeline 


 


import matplotlib 


matplotlib.rcParams['mathtext.fontset'] = 'stix' 


matplotlib.rcParams['font.family'] = 'STIXGeneral' 


matplotlib.rcParams.update({'font.size': 18}) 


 


def f(x): 


    """ function to approximate by polynomial interpolation""" 


    return 0.5 * x 


 


 


# generate points used to plot 


x_plot = np.linspace(-10, 10, 100) 


 


# generate points and keep a subset of them 


x = np.linspace(-10, 10, 100) 


rng = np.random.RandomState(0) 


rng.shuffle(x) 


x = np.sort(x[:10]) 


noize = [(-2 + np.random.random()*2) for i in range(len(x))] 


y = f(x) + noize 


 


# create matrix versions of these arrays 


X = x[:, np.newaxis] 


X_plot = x_plot[:, np.newaxis] 


 


colors = ['red', 'red']#, 'orange' 


lw = 2 


 


 


type_of_regression = ["linear regression", "regression of degree 10"] 


fit = ["fit", "overfit"] 


for count, degree in enumerate([1,10]):#, 2, 15 


    plt.figure(count) 


    axes = plt.gca() 


    axes.set_xlim([-10,10]) 


    axes.set_ylim([-10,10]) 


    plt.scatter(x, y, color='navy', s=30, marker='o', label="training examples") 


    plt.xticks([-10.0, -5.0, 0.0, 5.0, 10.0]) 


    plt.yticks([-10.0, -5.0, 0.0, 5.0, 10.0]) 


    model = make_pipeline(PolynomialFeatures(degree), Ridge()) 


    model.fit(X, y) 


    y_plot = model.predict(X_plot) 


    plt.plot(x_plot, y_plot, color=colors[count], linewidth=lw, 


             label=type_of_regression[count]) 


 


    plt.legend(loc='best') 


    fig1 = plt.gcf() 


    fig1.subplots_adjust(top = 0.98, bottom = 0.1, right = 0.98, left = 0.08, hspace = 0, wspace = 0) 


    fig1.savefig('../../Illustrations/linear-regression-' + fit[count] + '.eps', format='eps', dpi=1000, bbox_inches = 'tight', pad_inches = 0) 


    fig1.savefig('../../Illustrations/linear-regression-' + fit[count] + '.pdf', format='pdf', dpi=1000, bbox_inches = 'tight', pad_inches = 0) 


    fig1.savefig('../../Illustrations/linear-regression-' + fit[count] + '.png', dpi=1000, bbox_inches = 'tight', pad_inches = 0) 


 


 


plt.show() 

也就是说这本书里的插图都附有源代码，这些源代码你都可以在GitHub上找到。

关于作者