《机器学习数学基础》系统地阐述机器学习的数学基础知识，但并非大学数学教材的翻版，而是以机器学习算法为依据，选取数学知识，并从应用的角度阐述各种数学定义、定理等，侧重于讲清楚它们的应用和实现方法。所以，书中将使用开发者喜欢的编程语言（Python）来实现各种数学计算，并阐述数学知识在机器学习算法中的应用体现。
《机器学习数学基础》从读者需求角度出发，非常适合作为开发者和学习者的参考用书，也可作为高校相关专业的教材。
作者简介:
目录:
第1章 向量和向量空间 1
1.1 向量 2
1.2 向量空间 14
1.3 基和维数 25
1.4 内积空间 34
1.5 距离和角度 38
1.6 非欧几何 51
第2章 矩阵 54
2.1 基础知识 55
2.2 线性映射 70
2.3 矩阵的逆和转置 85
2.4 行列式 94
2.5 矩阵的秩 102
2.6 稀疏矩阵 107
2.7 图与矩阵 112
第3章 特征值和特征向量 122
3.1 基本概念 123
3.2 应用示例 129
3.3 相似矩阵 135
3.4 正交和投影 150
3.5 矩阵分解 163
3.6 最小二乘法（1） 184
第4章 向量分析 191
4.1 向量的代数运算 192
4.2 向量微分 199
4.3 最优化方法 215
4.4 反向传播算法 229
第5章 概率 263
5.1 基本概念 264
5.2 贝叶斯定理 272
5.3 随机变量和概率分布 279
5.4 随机变量的和 317
5.5 随机变量的数字特征 321
第6章 数理统计 346
6.1 样本和抽样 347
6.2 点估计 353
6.3 区间估计 368
6.4 参数检验 373
6.5 非参数检验 391
第7章 信息与熵 399
7.1 度量信息 399
7.2 信息熵 402
7.3 联合熵和条件熵 406
7.4 相对熵和交叉熵 409
7.5 互信息 414
7.6 连续分布 416
点击下载