描述
开 本: 128开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787115615725
（1）320个公式的详细推导解析。
在充分捕捉第1版“南瓜书”的读者需求后，第2版扩充了对“西瓜书”解读的覆盖面，公式解读数量由250个上升至320个。
（2）机器学习初学小白提升数学基础能力的强推练习册！
延续第1版思路，第2版以本科数学基础视角对“西瓜书”中的内容做了更进一步的解读：新增20个对“西瓜书”图片/定理的解读；新增数学知识的解读，同时将其前置在所用到的章节处，不再以附注的形式给出，便于目录查阅；在部分章节开篇处加注学习建议和些许见解，进一步照顾数学基础薄弱的读者。
（3）以开源方式多人协作，内容品质已被广大读者认可。
“南瓜书”PDF版开源教程于2020年5月发布之初荣登 GitHub Trending第2，“南瓜书”纸质版出版2年后，16次印刷共7万余册。配套视频【吃瓜教程】播放量超16.2万，经过开源教程、图书及视频的充分迭代后，形成第2版“南瓜书”，质量已被广大读者充分验证。
（4）俞勇、王斌、李沐、程明明、陈光（博主@爱可可-爱生活）、徐亦达等人工智能领域大咖亲笔推荐。
周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书是《机器学习公式详解》（俗称“南瓜书”）的第2 版。相较于第1 版，本书对“西瓜书”中除了公式以外的重、难点内容加以解析，以过来人视角给出学习建议，旨在对比较难理解的公式和重点内容扩充具体的例子说明，以及对跳步过大的公式补充具体的推导细节。
全书共16 章，与“西瓜书”章节、公式对应，每个公式的推导和解释都以本科数学基础的视角进行讲解，希望能够帮助读者快速掌握各个机器学习算法背后的数学原理。
本书思路清晰，视角独特，结构合理，可作为高等院校计算机及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考
序（王斌 小米AI 实验室主任、NLP 首席科学家）
前言
主要符号表
资源与支持
第 1 章 绪论 1
1.1 引言 1
1.2 基本术语 1
1.3 假设空间 5
1.4 归纳偏好 5
1.4.1 式(1.1) 和式(1.2) 的解释 6
第 2 章 模型评估与选择 8
2.1 经验误差与过拟合 8
2.2 评估方法 9
2.2.1 算法参数（超参数）与模型参数 10
2.2.2 验证集 10
2.3 性能度量 11
2.3.1 式(2.2) ～ 式(2.7) 的解释 11
2.3.2 式(2.8) 和式(2.9) 的解释 11
2.3.3 图2.3 的解释 11
2.3.4 式(2.10) 的推导 11
2.3.5 式(2.11) 的解释 12
2.3.6 式(2.12) ～ 式(2.17) 的解释 13
2.3.7 式(2.18) 和式(2.19) 的解释 13
2.3.8 式(2.20) 的推导 14
2.3.9 式(2.21) 和式(2.22) 的推导 16
2.3.10 式(2.23) 的解释 18
2.3.11 式(2.24) 的解释 19
2.3.12 式(2.25) 的解释 20
2.4 比较检验 22
2.4.1 式(2.26) 的解释 22
2.4.2 式(2.27) 的推导 23
2.5 偏差与方差 26
2.5.1 式(2.37) ～ 式(2.42) 的推导 26
参考文献 29
第3 章 线性模型 30
3.1 基本形式 30
3.2 线性回归 30
3.2.1 属性数值化 30
3.2.2 式(3.4) 的解释 31
3.2.3 式(3.5) 的推导 32
3.2.4 式(3.6) 的推导 32
3.2.5 式(3.7) 的推导 33
3.2.6 式(3.9) 的推导 35
3.2.7 式(3.10) 的推导 36
3.2.8 式(3.11) 的推导 36
3.3 对率回归 39
3.3.1 式(3.27) 的推导 39
3.3.2 梯度下降法 41
3.3.3 牛顿法 42
3.3.4 式(3.29) 的解释 44
3.3.5 式(3.30) 的推导 44
3.3.6 式(3.31) 的推导 45
3.4 线性判别分析 46
3.4.1 式(3.32) 的推导 46
3.4.2 式(3.37) ～ 式(3.39) 的推导 47
3.4.3 式(3.43) 的推导 48
3.4.4 式(3.44) 的推导 48
3.4.5 式(3.45) 的推导 49
3.5 多分类学习 52
3.5.1 图3.5 的解释 52
3.6 类别不平衡问题 52
参考文献 52
第4 章 决策树 53
4.1 基本流程 53
4.2 划分选择 54
4.2.1 式(4.1) 的解释 54
4.2.2 式(4.2) 的解释 58
4.2.3 式(4.4) 的解释 58
4.2.4 式(4.5) 的推导 59
4.2.5 式(4.6) 的解释 59
4.3 剪枝处理 62
4.4 连续值与缺失值 63
4.4.1 式(4.7) 的解释 63
4.4.2 式(4.8) 的解释 64
4.4.3 式(4.12) 的解释 64
4.5 多变量决策树 64
4.5.1 图4.10 的解释 65
4.5.2 图4.11 的解释 65
参考文献 66
第5 章 神经网络 67
5.1 神经元模型 67
5.2 感知机与多层网络 67
5.2.1 式(5.1) 和式(5.2) 的推导 67
5.2.2 图5.5 的解释 70
5.3 误差逆传播算法 70
5.3.1 式(5.10) 的推导 70
5.3.2 式(5.12) 的推导 70
5.3.3 式(5.13) 的推导 71
5.3.4 式(5.14) 的推导 72
5.3.5 式(5.15) 的推导 73
5.4 全局小与局部极小 73
5.5 其他常见神经网络 73
5.5.1 式(5.18) 的解释 73
5.5.2 式(5.20) 的解释 73
5.5.3 式(5.22) 的解释 74
5.5.4 式(5.23) 的解释 74
5.6 深度学习 74
5.6.1 什么是深度学习 75
5.6.2 深度学习的起源 75
5.6.3 怎么理解特征学习 75
参考文献 75
第6 章 支持向量机 77
6.1 间隔与支持向量 77
6.1.1 图6.1 的解释 77
6.1.2 式(6.1) 的解释 77
6.1.3 式(6.2) 的推导 78
6.1.4 式(6.3) 的推导 78
6.1.5 式(6.4) 的推导 80
6.1.6 式(6.5) 的解释 80
6.2 对偶问题 80
6.2.1 凸优化问题 80
6.2.2 KKT 条件 80
6.2.3 拉格朗日对偶函数 81
6.2.4 拉格朗日对偶问题 82
6.2.5 式(6.9) 和式(6.10) 的推导 85
6.2.6 式(6.11) 的推导 85
6.2.7 式(6.13) 的解释 86
6.3 核函数 87
6.3.1 式(6.22) 的解释 87
6.4 软间隔与正则化 87
6.4.1 式(6.35) 的推导 87
6.4.2 式(6.37) 和式(6.38) 的推导 87
6.4.3 式(6.39) 的推导 87
6.4.4 式(6.40) 的推导 88
6.4.5 对率回归与支持向量机的关系 88
6.4.6 式(6.41) 的解释 89
6.5 支持向量回归 89
6.5.1 式(6.43) 的解释 89
6.5.2 式(6.45) 的推导 90
6.5.3 式(6.52) 的推导 91
6.6 核方法 92
6.6.1 式(6.57) 和式(6.58) 的解释 92
6.6.2 式(6.65) 的推导 92
6.6.3 式(6.66) 和式(6.67) 的解释 93
6.6.4 式(6.70) 的推导 94
6.6.5 核对率回归 98
参考文献 99
第7 章 贝叶斯分类器 100
7.1 贝叶斯决策论 100
7.1.1 式(7.5) 的推导 100
7.1.2 式(7.6) 的推导 100
7.1.3 判别式模型与生成式模型 100
7.2 极大似然估计 101
7.2.1 式(7.12) 和式(7.13) 的推导 101
7.3 朴素贝叶斯分类器 104
7.3.1 式(7.16) 和式(7.17) 的解释 104
7.3.2 式(7.18) 的解释 104
7.3.3 贝叶斯估计 105
7.3.4 Categorical 分布 105
7.3.5 Dirichlet 分布 106
7.3.6 式(7.19) 和式(7.20) 的推导 106
7.4 半朴素贝叶斯分类器 110
7.4.1 式(7.21) 的解释 110
7.4.2 式(7.22) 的解释 111
7.4.3 式(7.23) 的推导 111
7.4.4 式(7.24) 和式(7.25) 的推导 112
7.5 贝叶斯网 112
7.5.1 式(7.27) 的解释 112
7.6 EM 算法 113
7.6.1 Jensen 不等式 113
7.6.2 EM 算法的推导 113
参考文献 121
第8 章 集成学习 122
8.1 个体与集成 123
8.1.1 式(8.1) 的解释 123
8.1.2 式(8.2) 的解释 123
8.1.3 式(8.3) 的推导 123
8.2 Boosting 124
8.2.1 式(8.4) 的解释 125
8.2.2 式(8.5) 的解释 125
8.2.3 式(8.6) 的推导 126
8.2.4 式(8.7) 的推导 126
8.2.5 式(8.8) 的推导 127
8.2.6 式(8.9) 的推导 127
8.2.7 式(8.10) 的解释 128
8.2.8 式(8.11) 的推导 128
8.2.9 式(8.12) 的解释 129
8.2.10 式(8.13) 的推导 129
8.2.11 式(8.14) 的推导 130
8.2.12 式(8.16) 的推导 131
8.2.13 式(8.17) 的推导 131
8.2.14 式(8.18) 的推导 132
8.2.15 式(8.19) 的推导 132
8.2.16 AdaBoost 的个人推导 133
8.2.17 进一步理解权重更新公式 137
8.2.18 能够接受带权样本的基学习算法 139
8.3 Bagging 与随机森林 140
8.3.1 式(8.20) 的解释 140
8.3.2 式(8.21) 的推导 140
8.3.3 随机森林的解释 141
8.4 结合策略 141
8.4.1 式(8.22) 的解释 141
8.4.2 式(8.23) 的解释 141
8.4.3 硬投票和软投票的解释 141
8.4.4 式(8.24) 的解释 142
8.4.5 式(8.25) 的解释 142
8.4.6 式(8.26) 的解释 142
8.4.7 元学习器的解释 142
8.4.8 Stacking 算法的解释 143
8.5 多样性 143
8.5.1 式(8.27) 的解释 143
8.5.2 式(8.28) 的解释 143
8.5.3 式(8.29) 的解释 143
8.5.4 式(8.30) 的解释 144
8.5.5 式(8.31) 的推导 144
8.5.6 式(8.32) 的解释 144
8.5.7 式(8.33) 的解释 145
8.5.8 式(8.34) 的解释 145
8.5.9 式(8.35) 的解释 145
8.5.10 式(8.36) 的解释 145
8.5.11 式(8.40) 的解释 145
8.5.12 式(8.41) 的解释 146
8.5.13 式(8.42) 的解释 146
8.5.14 多样性增强的解释 146
8.6 Gradient Boosting、GBDT、XGBoost的联系与区别 147
8.6.1 从梯度下降的角度解释AdaBoost 147
8.6.2 梯度提升 149
8.6.3 梯度提升树(GBDT) 151
8.6.4 XGBoost 152
参考文献 152
第9 章 聚类 153
9.1 聚类任务 153
9.2 性能度量 153
9.2.1 式(9.5) 的解释 153
9.2.2 式(9.6) 的解释 155
9.2.3 式(9.7) 的解释 155
9.2.4 式(9.8) 的解释 156
9.2.5 式(9.12) 的解释 156
9.3 距离计算 156
9.3.1 式(9.21) 的解释 156
9.4 原型聚类 157
9.4.1 式(9.28) 的解释 157
9.4.2 式(9.29) 的解释 157
9.4.3 式(9.30) 的解释 158
9.4.4 式(9.31) 的解释 159
9.4.5 式(9.32) 的解释 159
9.4.6 式(9.33) 的推导 160
9.4.7 式(9.34) 的推导 161
9.4.8 式(9.35) 的推导 162
9.4.9 式(9.36) 的解释 164
9.4.10 式(9.37) 的推导 164
9.4.11 式(9.38) 的推导 165
9.4.12 图9.6 的解释 166
9.5 密度聚类 166
9.5.1 密度直达、密度可达与密度相连 167
9.5.2 图9.9 的解释 168
9.6 层次聚类 168
第 10 章 降维与度量学习 170
10.1 预备知识 170
10.1.1 符号约定 170
10.1.2 矩阵与单位阵、向量的乘法 170
10.2 矩阵的F 范数与迹 171
10.3 k 近邻学习 173
10.3.1 式(10.1) 的解释 173
10.3.2 式(10.2) 的推导 174
10.4 低维嵌入 175
10.4.1 图10.2 的解释 175
10.4.2 式(10.3) 的推导 175
10.4.3 式(10.4) 的推导 176
10.4.4 式(10.5) 的推导 177
10.4.5 式(10.6) 的推导 177
10.4.6 式(10.10) 的推导 178
10.4.7 式(10.11) 的解释 179
10.4.8 图10.3 关于MDS 算法的解释 179
10.5 主成分分析 180
10.5.1 式(10.14) 的推导 180
10.5.2 式(10.16) 的解释 184
10.5.3 式(10.17) 的推导 186
10.5.4 根据式(10.17) 求解式(10.16) 188
10.6 核化线性降维 188
10.6.1 式(10.19) 的解释 189
10.6.2 式(10.20) 的解释 189
10.6.3 式(10.21) 的解释 190
10.6.4 式(10.22) 的解释 190
10.6.5 式(10.24) 的推导 190
10.6.6 式(10.25) 的解释 191
10.7 流形学习 191
10.7.1 等度量映射(Isomap) 的解释 191
10.7.2 式(10.28) 的推导 192
10.7.3 式(10.31) 的推导 194
10.8 度量学习 196
10.8.1 式(10.34) 的解释 196
10.8.2 式(10.35) 的解释 197
10.8.3 式(10.36) 的解释 197
10.8.4 式(10.37) 的解释 198
10.8.5 式(10.38) 的解释 198
10.8.6 式(10.39) 的解释 198
参考文献 199
第 11 章 特征选择与稀疏学习 200
11.1 子集搜索与评价 200
11.1.1 式(11.1) 的解释 200
11.1.2 式(11.2) 的解释 200
11.2 过滤式选择 201
11.3 包裹式选择 201
11.4 嵌入式选择与L1 正则化 202
11.4.1 式(11.5) 的解释 202
11.4.2 式(11.6) 的解释 202
11.4.3 式(11.7) 的解释 203
11.4.4 式(11.8) 的解释 203
11.4.5 式(11.9) 的解释 203
11.4.6 式(11.10) 的推导 203
11.4.7 式(11.11) 的解释 205
11.4.8 式(11.12) 的解释 205
11.4.9 式(11.13) 的解释 205
11.4.10 式(11.14) 的推导 205
11.5 稀疏表示与字典学习 208
11.5.1 式(11.15) 的解释 208
11.5.2 式(11.16) 的解释 208
11.5.3 式(11.17) 的推导 208
11.5.4 式(11.18) 的推导 208
11.6 压缩感知 213
11.6.1 式(11.21) 的解释 213
11.6.2 式(11.25) 的解释 213
参考文献 214
第 12 章 计算学习理论 215
12.1 基础知识 215
12.1.1 式(12.1) 的解释 216
12.1.2 式(12.2) 的解释 216
12.1.3 式(12.3) 的解释 216
12.1.4 式(12.4) 的解释 216
12.1.5 式(12.5) 和式(12.6) 的解释 216
12.1.6 式(12.7) 的解释 217
12.2 PAC 学习 217
12.2.1 式(12.9) 的解释 218
12.3 有限假设空间 218
12.3.1 式(12.10) 的解释 219
12.3.2 式(12.11) 的解释 219
12.3.3 式(12.12) 的推导 219
12.3.4 式(12.13) 的解释 220
12.3.5 式(12.14) 的推导 220
12.3.6 引理12.1 的解释 221
12.3.7 式(12.18) 的推导 221
12.3.8 式(12.19) 的推导 221
12.3.9 式(12.20) 的解释 222
12.4 VC 维 223
12.4.1 式(12.21) 的解释 223
12.4.2 式(12.22) 的解释 223
12.4.3 式(12.23) 的解释 224
12.4.4 引理12.2 的解释 224
12.4.5 式(12.28) 的解释 226
12.4.6 式(12.29) 的解释 227
12.4.7 式(12.30) 的解释 227
12.4.8 定理12.4 的解释 228
12.5 Rademacher 复杂度 229
12.5.1 式(12.36) 的解释 229
12.5.2 式(12.37) 的解释 229
12.5.3 式(12.38) 的解释 230
12.5.4 式(12.39) 的解释 230
12.5.5 式(12.40) 的解释 231
12.5.6 式(12.41) 的解释 231
12.5.7 定理12.5 的解释 231
12.6 定理12.6 的解释 233
12.6.1 式(12.52) 的证明 235
12.6.2 式(12.53) 的推导 235
12.7 稳定性 235
12.7.1 泛化损失/经验损失/留一损失的解释 236
12.7.2 式(12.57) 的解释 236
12.7.3 定理12.8 的解释 236
12.7.4 式(12.60) 的推导 237
12.7.5 经验损失小化 237
12.7.6 定理12.9 的证明的解释 237
参考文献 238
第 13 章 半监督学习 240
13.1 未标记样本 240
13.2 生成式方法 240
13.2.1 式(13.1) 的解释 241
13.2.2 式(13.2) 的推导 241
13.2.3 式(13.3) 的推导 242
13.2.4 式(13.4) 的推导 242
13.2.5 式(13.5) 的解释 242
13.2.6 式(13.6) 的解释 243
13.2.7 式(13.7) 的解释 244
13.2.8 式(13.8) 的解释 246
13.3 半监督SVM 248
13.3.1 图13.3 的解释 248
13.3.2 式(13.9) 的解释 248
13.3.3 图13.4 的解释 248
13.3.4 式(13.10) 的解释 250
13.4 图半监督学习 250
13.4.1 式(13.12) 的推导 251
13.4.2 式(13.13) 的推导 252
13.4.3 式(13.14) 的推导 253
13.4.4 式(13.15) 的推导 253
13.4.5 式(13.16) 的解释 254
13.4.6 式(13.17) 的推导 254
13.4.7 式(13.18) 的解释 254
13.4.8 式(13.20) 的解释 254
13.4.9 式(13.21) 的推导 255
13.5 基于分歧的方法 259
13.5.1 图13.6 的解释 259
13.6 半监督聚类 260
13.6.1 图13.7 的解释 260
13.6.2 图13.9 的解释 260
参考文献 260
第 14 章 概率图模型 261
14.1 隐马尔可夫模型 261
14.1.1 生成式模型和判别式模型 261
14.1.2 式(14.1) 的推导 262
14.1.3 隐马尔可夫模型的三组参数 263
14.2 马尔可夫随机场 263
14.2.1 式(14.2) 和式(14.3) 的解释 263
14.2.2 式(14.4) ～ 式(14.7) 的推导 264
14.2.3 马尔可夫毯 264
14.2.4 势函数 265
14.2.5 式(14.8) 的解释 265
14.2.6 式(14.9) 的解释 265
14.3 条件随机场 265
14.3.1 式(14.10) 的解释 265
14.3.2 式(14.11) 的解释 266
14.4 学习与推断 266
14.4.1 式(14.14) 的推导 266
14.4.2 式(14.15) 和式(14.16) 的推导 266
14.4.3 式(14.17) 的解释 267
14.4.4 式(14.18) 的推导 267
14.4.5 式(14.19) 的解释 267
14.4.6 式(14.20) 的解释 268
14.4.7 式(14.22) 的推导 268
14.4.8 图14.8 的解释 269
14.5 近似推断 269
14.5.1 式(14.21) ～ 式(14.25) 的解释 269
14.5.2 式(14.26) 的解释 270
14.5.3 式(14.27) 的解释 270
14.5.4 式(14.28) 的推导 270
14.5.5 吉布斯采样与MH 算法 271
14.5.6 式(14.29) 的解释 272
14.5.7 式(14.30) 的解释 272
14.5.8 式(14.31) 的解释 273
14.5.9 式(14.32) ～ 式(14.34) 的推导 273
14.5.10 式(14.35) 的解释 274
14.5.11 式(14.36) 的推导 274
14.5.12 式(14.37) 和式(14.38) 的解释 276
14.5.13 式(14.39) 的解释 277
14.5.14 式(14.40) 的解释 277
14.6 话题模型 278
14.6.1 式(14.41) 的解释 278
14.6.2 式(14.42) 的解释 279
14.6.3 式(14.43) 的解释 279
14.6.4 式(14.44) 的解释 279
参考文献 279
第 15 章 规则学习 280
15.1 剪枝优化 280
15.1.1 式(15.2) 和式(15.3) 的解释 280
15.2 归纳逻辑程序设计 281
15.2.1 式(15.6) 的解释 281
15.2.2 式(15.7) 的推导 281
15.2.3 式(15.9) 的推导 281
15.2.4 式(15.10) 的解释 281
15.2.5 式(15.11) 的解释 281
15.2.6 式(15.12) 的解释 282
15.2.7 式(15.13) 的解释 282
15.2.8 式(15.16) 的推导 282
第 16 章 强化学习 283
16.1 任务与奖赏 283
16.2 K-摇臂赌博机 283
16.2.1 式(16.2) 和式(16.3) 的推导 283
16.2.2 式(16.4) 的解释 283
16.3 有模型学习 284
16.3.1 式(16.7) 的解释 284
16.3.2 式(16.8) 的推导 284
16.3.3 式(16.10) 的推导 285
16.3.4 式(16.14) 的解释 285
16.3.5 式(16.15) 的解释 285
16.3.6 式(16.16) 的推导 285
16.4 免模型学习 286
16.4.1 式(16.20) 的解释 286
16.4.2 式(16.23) 的解释 286
16.4.3 式(16.31) 的推导 286
16.5 值函数近似 287
16.5.1 式(16.33) 的解释 287
16.5.2 式(16.34) 的推导 287
参考文献 287
【王斌，小米AI实验室主任、NLP首席科学家，作序推荐】
写此序之时，我们正面临ChatGPT带来的一场技术革命。个人认为，这场革命将会不断持续下去，其影响将十分深远，会触及整个社会的方方面面。我相信人工智能再也无法走出大家的视野。了解、理解人工智能将会成为每个人基本的能力。
大家知道，机器学习是这些年来人工智能中核心的技术。学好机器学习，也将是学好人工智能的关键所在，而这本书会助你一臂之力。
这本书的第1版出版之后，大受读者欢迎。在收到众多读者反馈意见的基础上，第2版从多个方面进行了补充和修订，相信这一版会给读者带来更多的收获。
【专家精彩评论】
面对一本有很多数学难题的教材，初学者渴望的是有一位“全能助教”，能帮助详细解析，步进推导，以便更好地消化教材。由开源组织Datawhale发起编写的“南瓜书”集众人的智慧、开源社区的力量，为广大机器学习初学者带来了福音，给周志华教授的畅销书“西瓜书”配了一个“全能助教”。愿这两本书为所有人工智能领域及行业内求学者、从业者启智增慧，创造未来。
——俞勇，上海交通大学特聘教授，上海交通大学ACM班创始人，伯禹教育创始人
推导一遍所有公式是非常好的学习方法，很高兴看到“南瓜书”能专注于此. 它是学习“西瓜书”不可缺少的辅助材料。
——李沐，AWS资深首席科学家，《动手学深度学习》作者
“南瓜书”是Datawhale开源团队产出优质内容的一种全新探索。这本书以开源项目的形式，帮助读者推导重要的公式，并对知识难点进行深入探讨。这种新的学习思路和撰写模式，
自打开始那一刻，就紧紧抓住读者的需求和痛点，使得这本书成为非常值得推荐的好书。和这本书同样值得推荐的，还有Datawhale的开源精神和实践精神。
——程明明，南开大学计算机系主任，开放共享科研记录行动倡议者
这本书是读透“西瓜书”的好“伴侣”。尽管这本书并不适合所有人，但真正需要它的人会觉得它特别有用。它就像一位学霸同桌，可以在你啃“西瓜书”一筹莫展的时候为你“雪中送炭”。对很多人来说，数学公式是一种很可怕的存在，但是学问之美往往就在“险远处”，披荆斩棘之后方能品出其真滋味。如果想要理解机器学习，而不止步于了解和应用，这本书将是你的好“同桌”——伴你思考，同享“知其所以然”的乐趣。
——陈光，北京邮电大学副教授，知名博主@爱可可- 爱生活
对机器学习初学者来讲，“南瓜书”补充且拓展了数学方面的基本知识，是“西瓜书”的佐读良品。
——徐亦达，悉尼科技大学副教授，机器学习开源讲义作者
评论
还没有评论。