今天的大企业，正在经历着工业化以来最大的变革。人工智能已经颠覆了整个行业以及我们工作、思考和互动的方式。Gartner的一份报告预测，到2020年，人工智能将创造230万个工作岗位，同时减少180万个人类工作岗位。机器学习是推动人工智能发展的主要动力。这个领域的专家不多，各大公司都在争夺高技能人才。说到这里，大家可能已经猜到了，猿哥今天要给大家分享一本关于人工智能的书。这本书只有152页，很短。名字是-《The Hundred-Page Machine Learning Book》，麻雀虽小，五脏俱全。本书内容涵盖监督与无监督学习、支持向量机、神经网络、集成方法、梯度下降法、聚类分析与数据降维、自编码与迁移学习、特征工程与超参数优化、数学知识、图文并茂等内容。包含在这本152页的书中。具体章节目录如下：前言第1章：引言***部分：监督学习第2章：符号与定义第3章：基本算法第4章：学习算法剖析第5章：基本实践第6章：神经网络与深度学习LearningChapter7:ProblemsandSolutionsChapter8:AdvancedPracticePart2:UnsupervisedLearningandOtherLearningChapter9:UnsupervisedLearningChapter10:OtherFormsofLearning第11章：结论可以先免费在线阅读/下载书籍，直到您认为值得花时间购买为止。在线阅读本书的另一个好处是页面右侧有网友评论。可以通过网友的评论发现本书的错误或不足，以免被误导，也可以查看作者***的更新时间等。另外，作者还将所有代码开源在GitHub上支持这本书。github地址：https://github.com/aburkov/theMLbook比如多元高斯分布（GaussianMixtureModelGMM）的内容，作者在9.2。4给出了详细的解释：又如第三章线性回归算法的介绍：线性回归算法是一种比较流行的回归学习算法，学习模型是利用数理统计中的回归分析。对应的Python代码如下：importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.linear_modelimportRidgefromsklearn.preprocessingimportPolynomialFeaturesfromsklearn.pipelineimportmake_pipelineimportmatplotlibmatplotlib.rcParams['mathtext.fontset']='stix'matplotlib.rcParams['font.family']='STIXploams.General'{'font.size':18})deff(x):"""functiontoapproximatebypolynomialinterpolation"""return0.5*x#generatepointsusedtoplotx_plot=np.linspace(-10,10,100)#generatepointsandkeepasubsetofthemx=np.linspace(-10,10,100)rng=np.随机。RandomState(0)rng.shuffle(x)x=np.sort(x[:10])noize=[(-2+np.random.random()*2)foriinrange(len(x))]y=f(x)+noize#creatematrixversionsofthesearraysX=x[:,np.newaxis]X_plot=x_plot[:,np.newaxis]colors=['red','red']#,'orange'lw=2type_of_regression=["linearregression","re??gressionofdegree10"]fit=["fit","overfit"]forcount,degreeinenumerate([1,10]):#,2,15plt.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="trainingexamples")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-regresssion-'+fit[count]+'.pdf',format='pdf',dpi=1000,bbox_inches='tight',pad_inches=0)fig1.savefig('../../Illustrations/线性回归-'+fit[count]+'.png',dpi=1000,bbox_inches='tight',pad_inches=0)plt.show()也就是说本书中的插图都附有源码，这些出处codes你可以在GitHub上找到关于作者的信息。AndriyBurkov是一名机器学习专家，已获得博士学位。九年前。他的专长是自然语言处理。在人工智能方面，在过去的7年里，AndriyBurkov一直在Gartner领导机器学习开发团队。***，附上本书的下载地址：http://themlbook.com/wiki/doku.php
