作为一门应用型学科，机器学习植根于数学理论，落地于代码实现。这就意味着，掌握公式推导和代码编写，方能更加深入地理解机器学习算法的内在逻辑和运行机制。本书在对全部机器学习算法进行分类梳理的基础之上，分别对监督学习单模型、监督学习集成模型、无监督学习模型、概率模型四个大类共26个经典算法进行了细致的公式推导和代码实现，旨在帮助机器学习学习者和研究者完整地掌握算法细节、实现方法以及内在逻辑。
本书既适合数理基础扎实的入门者阅读，也适合深入学习的进阶者阅读。此外，它还适合作为机器学习领域的参考书。

鲁伟,贝叶斯统计方向硕士毕业，深度学习算法工程师，微信公众号“机器学习实验室”主编，对人工智能、机器学习、深度学习、医学图像处理和计算机视觉等有深入研究。

第一部分 入门篇
第1章 机器学习预备知识
1.1 引言
1.2 关键术语与任务类型
1.3 机器学习三要素
1.4 机器学习核心
1.5 机器学习流程
1.6 NumPy必学必会
1.6.1 创建数组
1.6.2 数组的索引与切片
1.6.3 数组的基础运算
1.6.4 数组维度变换
1.6.5 数组合并与切分
1.7 sklearn简介
1.8 章节安排
1.9 小结
第二部分 监督学习单模型
第2章 线性回归
2.1 杭州的二手房房价
2.2 线性回归的原理推导
2.3 线性回归的代码实现
2.3.1 编写思路
2.3.2 基于NumPy的代码实现
2.3.3 基于sklearn的模型实现
2.4 小结
第3章 对数几率回归
3.1 App开屏广告
3.2 对数几率回归的原理推导
3.3 对数几率回归的代码实现
3.3.1 编写思路
3.3.2 基于NumPy的对数几率回归实现
3.3.3 基于skleam的对数几率回归实现
3.4 小结
第4章 回归模型拓展
4.1 回到杭州二手房房价
4.2 LASSO回归的原理推导
4.3 LASSO回归的代码实现
4.3.1 编写思路
4.3.2 基于NumPy的LASSO回归实现
4.3.3 基于skleam的LASSO回归实现
4.4 Ridge回归的原理推导
4.5 Ridge回归的代码实现
4.6 小结
……
第三部分 监督学习集成模型
第四部分 无监督学习模型
第五部分 概率模型
第六部分 总结
参考文献