如今的大型企业都在经历着自工业化以来***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
- ***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***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
Andriy Burkov，是一名机器学习专家，早在九年前就已经取得了博士学位，他的专长是自然语言处理，在人工智能方面，过去的7年里，Andriy Burkov一直在Gartner带领一个机器学习开发团队。
***，附上本书的下载地址：http://themlbook.com/wiki/doku.php
