如今的大型企業(yè)都在經(jīng)歷著自工業(yè)化以來***的變革。人工智能顛覆了工業(yè)，顛覆了我們的工作、思考和互動(dòng)的方式，Gartner的一項(xiàng)報(bào)告預(yù)測，到2020年，人工智能將創(chuàng)造230萬個(gè)就業(yè)崗位，以此同時(shí)也會(huì)減少180萬個(gè)人力崗位。機(jī)器學(xué)習(xí)是驅(qū)動(dòng)人工智能發(fā)展的主要?jiǎng)恿?，這個(gè)領(lǐng)域的專家數(shù)量不多，各大企業(yè)都在爭搶高技能人才。

說到這里，你可能已經(jīng)猜到猿哥今天要和大家分享的是一本有關(guān)人工智能的書，這本書只有152頁，非常簡短。名叫——《The Hundred-Page Machine Learning Book》

但麻雀雖小五臟俱全，這本書涵蓋了監(jiān)督和非監(jiān)督式學(xué)習(xí)，支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)，集成方法，梯度下降法，聚類分析和數(shù)據(jù)降維，自編碼和遷移學(xué)習(xí)，特征工程和超參數(shù)優(yōu)化，數(shù)學(xué)知識(shí)、插圖等內(nèi)容都包含在這本152頁的書籍里

具體的章節(jié)目錄如下：

• 前言
• 第 1 章：介紹
• ***部分：監(jiān)督式學(xué)習(xí)
• 第二章：標(biāo)記和定義
• 第三章：基礎(chǔ)算法
• 第四章：學(xué)習(xí)算法的解剖
• 第五章：基礎(chǔ)實(shí)戰(zhàn)
• 第六章：神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
• 第七章：問題與解決
• 第八章：進(jìn)階實(shí)戰(zhàn)
• 第二部分：非監(jiān)督式學(xué)習(xí)和其它學(xué)習(xí)
• 第九章：非監(jiān)督式學(xué)習(xí)
• 第十章：其它形式學(xué)習(xí)
• 第十一章：結(jié)論

作者本著先閱讀后購買的原則，因此你可以先在在線免費(fèi)閱讀/下載書籍，直到你認(rèn)為它值得你購買的時(shí)候再購買。

這本書在線閱讀還有一個(gè)好處就是，在頁面的右側(cè)有網(wǎng)友評(píng)論，你可以通過網(wǎng)友評(píng)論發(fā)現(xiàn)本書錯(cuò)誤或者不足的地方，從而避免被誤導(dǎo)，還能查看作者***的更新時(shí)間等

除此之外，作者還在GitHub上開源了本書配套的所有代碼

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

比如多元高斯分布(GaussianMixture Model GMM)這個(gè)內(nèi)容，作者在書的9.2.4進(jìn)行了詳細(xì)的講解：

再如第三章中的關(guān)于線性回歸算法的介紹：線性回歸算法是一種流行的回歸學(xué)習(xí)算法，學(xué)習(xí)的模型是利用數(shù)理統(tǒng)計(jì)中的回歸分析

其對(duì)應(yīng)的Python代碼如下：

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() 

也就是說這本書里的插圖都附有源代碼，這些源代碼你都可以在GitHub上找到。

關(guān)于作者

[[267420]]

Andriy Burkov，是一名機(jī)器學(xué)習(xí)專家，早在九年前就已經(jīng)取得了博士學(xué)位，他的專長是自然語言處理，在人工智能方面，過去的7年里，Andriy Burkov一直在Gartner帶領(lǐng)一個(gè)機(jī)器學(xué)習(xí)開發(fā)團(tuán)隊(duì)。

***，附上本書的下載地址：http://themlbook.com/wiki/doku.php