Mathematics for Machine Learning
教材简介
- 来源：Marc Peter Deisenroth、A. Aldo Faisal、Cheng Soon Ong（Imperial College London）
- 先修要求：高中数学基础
- 课程难度：🌟🌟🌟
- 预计学时：80 小时 +
《Mathematics for Machine Learning》是一本专门为机器学习编写的数学教材。它覆盖了机器学习所需的全部数学基础：线性代数、微积分、概率论、优化理论。
这本书的最大特点是：所有数学内容都围绕机器学习应用展开。你不会学到"无用"的数学，每个概念都能在 ML 中找到对应的应用。
教材资源
- 官方网站：mml-book.github.io
- 免费 PDF：PDF 下载
- GitHub：mml-book/mml-book.github.io
- 配套课程：Imperial College London
内容结构
第一部分：数学基础
- 线性代数（向量、矩阵、线性变换、特征值）
- 解析几何（距离、投影、超平面）
- 矩阵分解（SVD、特征分解、Cholesky 分解）
第二部分：机器学习中的数学
- 向量微积分（梯度、方向导数、Hessian 矩阵）
- 概率论与分布（贝叶斯推断、最大似然估计）
- 优化理论（梯度下降、凸优化、约束优化）
第三部分：应用
- 主成分分析（PCA）
- 高斯混合模型
- 线性回归
- 支持向量机（SVM）
自学建议
先学线性代数和微积分基础，再读这本书。 这本书假设你已经了解基本的线性代数和微积分概念。
重点关注第一部分和第二部分。 这些内容是机器学习的核心数学基础。
做书后习题。 每章都有习题，能帮你检验理解程度。
配合其他课程使用。 这本书适合作为 MIT 18.06（线性代数）和 MIT 18.01（微积分）的补充读物。
备注
这本书是完全免费的，PDF 可以在官方网站下载。它是 Imperial College London 的机器学习课程的配套教材。
如果你只想读一本数学书来为机器学习打基础，这本书是最佳选择。它比传统的数学教材更聚焦，比纯 ML 教程更深入数学原理。