机器学习

Author：louwill

Machine Learning Lab

机器学习数学推导与代码实现30讲已完成，主要包括监督学习模型、无监督学习模型、集成学习模型和概率模型四个大类29个模型和算法。现整理形成pdf版本并开提供开源下载。

获取方式：

扫描关注下方公众号回复 机器学习 即可。

该系列机器学习模型的思维导图如下所示：

完整版的pdf目录如下：

获取方式：

扫描关注下方公众号回复 机器学习 即可。

另外本项目也会在后续时间持续改进和整理，完整版的代码会陆续在GitHub上进行更新。

项目地址：

https://github.com/luwill/machine-learning-code-writing

大家好！我是 louwill。

经过一年零三个月的努力，《机器学习 公式推导与代码实现》已于日前正式出版了。

关注过这本书的公众号读者应该知道，这本书在系列原创机器学习30讲的基础上，并参考了李航老师的《统计学习方法》和周志华老师的西瓜书《机器学习》的理论体系，从公式推导和代码实现两个维度来展示机器学习的基本内涵。

本书从20年8月开始选题和列大纲，到21年3月份完成初稿，到4月份完成二稿通稿，再到8月份编辑三稿修改，再到10月份四稿校样，最后到12月份付印稿完成，中间过程修改和反复着实不易。

笔者作为一名算法工程师，从2017年以来就一直从事医疗数据和医学影像数据的处理和分析工作。在笔者的技术成长过程中，李航老师的《统计学习方法》和周志华老师的“西瓜书”《机器学习》，给了笔者极大的帮助和启发。国内做机器学习相关方向的学生和从业人员，这两本书几乎是人手一本。

两位老师的书都有一个共同的特点，就是理论功底相当深厚，但不太注重于算法的代码实现。这两年笔者接触了不少找工作的同学，大部分同学除了在机器学习基本原理上狠下工夫之外，并不满足于现有的机器学习调包的学习方式，希望能够从底层的算法实现逻辑和方法上更加深入的掌握机器学习。事实上，随着这几年机器学习的火爆，从业门槛也越来越高，以至于经常出现让面试者现场手推逻辑回归和手写反向传播代码的情况。这些都使得笔者产生了撰写这本书的想法。

机器学习是一门建立在数学理论上的应用型学科，完备的数学公式推导对于每一个研究机器学习的朋友都是非常必要的。而代码实现则是更加深入理解机器学习算法的内在逻辑和运行机制的不二法门。因而本书取名为《机器学习 公式推导与代码实现》，出发点正是来源于此。

本书力求系统、全面的展示公式推导和代码实现这两个维度。全书分为六个大部分26个章节，包括入门介绍、监督学习单模型、监督学习集成模型、无监督学习模型、概率模型和最后的总结。其中监督学习两大部分是本书的重点内容。在叙述方式上，全书对于每一章对于一个具体的模型和算法。一般会以一个例子或者前序概念作为引入，然后重点从公式推导的角度来进行算法介绍，最后辅助以一定程度上的基础代码实现，重在体现算法实现的内在逻辑。各部分、各章内容相对独立，但前后又多有联系，读者可以从头到尾全书通读，也可以根据自身情况选取某一部分某一章节进行选读。

全书代码已在GitHub开源，代码地址为：

https://github.com/luwill/Machine_Learning_Code_Implementation

感兴趣的读者可直接在当当或者京东购买，目前平台上75折出售。

最后，为了感谢各位读者的一直以来的支持，特在公众号送出 3 本《机器学习 公式推导与代码实现》，依然是老规矩：评论区留言并点赞数前三的读者拿书。截止日期 2022 年 1 月 30 日晚上 6 点。

大家好！我是louwill。

经过一年零三个月的努力，《机器学习 公式推导与代码实现》已于日前正式出版了。

关注过这本书的公众号读者应该知道，这本书在系列原创机器学习30讲的基础上，并参考了李航老师的《统计学习方法》和周志华老师的西瓜书《机器学习》的理论体系，从公式推导和代码实现两个维度来展示机器学习的基本内涵。

本书从20年8月开始选题和列大纲，到21年3月份完成初稿，到4月份完成二稿通稿，再到8月份编辑三稿修改，再到10月份四稿校样，最后到12月份付印稿完成，中间过程修改和反复着实不易。

笔者作为一名算法工程师，从2017年以来就一直从事医疗数据和医学影像数据的处理和分析工作。在笔者的技术成长过程中，李航老师的《统计学习方法》和周志华老师的“西瓜书”《机器学习》，给了笔者极大的帮助和启发。国内做机器学习相关方向的学生和从业人员，这两本书几乎是人手一本。

两位老师的书都有一个共同的特点，就是理论功底相当深厚，但不太注重于算法的代码实现。这两年笔者接触了不少找工作的同学，大部分同学除了在机器学习基本原理上狠下工夫之外，并不满足于现有的机器学习调包的学习方式，希望能够从底层的算法实现逻辑和方法上更加深入的掌握机器学习。事实上，随着这几年机器学习的火爆，从业门槛也越来越高，以至于经常出现让面试者现场手推逻辑回归和手写反向传播代码的情况。这些都使得笔者产生了撰写这本书的想法。

机器学习是一门建立在数学理论上的应用型学科，完备的数学公式推导对于每一个研究机器学习的朋友都是非常必要的。而代码实现则是更加深入理解机器学习算法的内在逻辑和运行机制的不二法门。因而本书取名为《机器学习 公式推导与代码实现》，出发点正是来源于此。

本书力求系统、全面的展示公式推导和代码实现这两个维度。全书分为六个大部分26个章节，包括入门介绍、监督学习单模型、监督学习集成模型、无监督学习模型、概率模型和最后的总结。其中监督学习两大部分是本书的重点内容。在叙述方式上，全书对于每一章对于一个具体的模型和算法。一般会以一个例子或者前序概念作为引入，然后重点从公式推导的角度来进行算法介绍，最后辅助以一定程度上的基础代码实现，重在体现算法实现的内在逻辑。各部分、各章内容相对独立，但前后又多有联系，读者可以从头到尾全书通读，也可以根据自身情况选取某一部分某一章节进行选读。

全书代码已在GitHub开源，代码地址为：

https://github.com/luwill/Machine_Learning_Code_Implementation

感兴趣的读者可直接在当当或者京东购买，目前平台上75折出售。

最后，为了感谢各位读者的一直以来的支持，特在公众号送出五本《机器学习 公式推导与代码实现》，依然是老规矩：评论区留言10字以上并点赞数前五的读者拿书。

到1月17日22:00截止。

（为防止刷量，1月17日18时对留言前20名做个截图作为证据，与最终点赞数量作对比。）