第一篇　線性代數(shù) 第　1 章 論線性代數(shù)的重要性　2 1.1　小白的苦惱　2 1.2　找朋友　4 1.3　找推薦　7 1.4　賺大錢　10 第　2 章 從相似到向量　12 2.1　問(wèn)題：如何比較相似　12 2.2　代碼示例　12 2.3　專家解讀　17 第　3 章 向量和向量運(yùn)算　20 3.1　代碼示例：在 Python 中使用向量　20 3.1.1　創(chuàng)建向量　20 3.1.2　向量的范數(shù)（模長(zhǎng)）　21 3.1.3　向量的相等　21 3.1.4　向量加法（減法）　22 3.1.5　向量的數(shù)乘　23 3.1.6　向量的線性組合　24 3.1.7　向量的乘法（點(diǎn)積）　25 3.2　專家解讀　26 第　4 章 最難的事情——向量化　27 4.1　問(wèn)題：如何對(duì)文本向量化　28 4.2　One-Hot Encoding 方式　29 4.2.1　做法 1：二值化　31 4.2.2　做法 2：詞頻法　32 4.2.3　做法 3：TF-IDF　33 4.3　專家解讀　34 4.3.1　稀疏向量和稠密向量　34 4.3.2　One-Hot 到 Word2Vec　35 第　5 章 從線性方程組到矩陣　38 5.1　回歸預(yù)測(cè)　39 5.2　從方程組到矩陣　41 5.3　工程中的方程組　42 第　6 章 空間、子空間、方程組的解　44 6.1　空間和子空間　45 6.2　子空間有什么用　46 6.3　所謂最優(yōu)解指什么　48 第　7 章 矩陣和矩陣運(yùn)算　50 7.1　認(rèn)識(shí)矩陣　50 7.2　創(chuàng)建矩陣　51 7.2.1　代碼示例：如何創(chuàng)建矩陣　51 7.2.2　代碼示例：如何創(chuàng)建對(duì)角矩陣　52 7.2.3　代碼示例：如何創(chuàng)建單位矩陣　53 7.2.4　代碼示例：如何創(chuàng)建對(duì)稱矩陣　54 7.3　矩陣運(yùn)算　55 7.3.1　代碼示例：加法和數(shù)乘　55 7.3.2　代碼示例：矩陣乘法　56 7.3.3　代碼示例：求逆矩陣　57 第　8 章 解方程組和最小二乘解　58 8.1　代碼實(shí)戰(zhàn)：解線性方程組　58 8.2　代碼實(shí)戰(zhàn)：用最小二乘法解方程組　59 8.3　專家解讀：最小二乘解　61 8.3.1　損失函數(shù)　61 8.3.2　最小二乘解　63 第　9 章 帶有正則項(xiàng)的最小二乘解　65 9.1　代碼實(shí)戰(zhàn)：多項(xiàng)式回歸　66 9.2　代碼實(shí)戰(zhàn)：嶺回歸　69 9.3　代碼實(shí)戰(zhàn)：Lasso 回歸　71 第　10 章 矩陣分解的用途　74 10.1　問(wèn)題 1：消除數(shù)據(jù)間的信息冗余　74 10.2　問(wèn)題 2：模型復(fù)雜度　78 10.3　代碼實(shí)戰(zhàn)：PCA 降維　79 10.4　專家解讀　82 10.5　從 PCA 到 SVD　84 第　11 章 降維技術(shù)哪家強(qiáng)　86 11.1　問(wèn)題：高維數(shù)據(jù)可視化　86 11.2　代碼實(shí)戰(zhàn)：多種數(shù)據(jù)降維　89 11.3　專家解讀：從線性降維到流形學(xué)習(xí)　92 第　12 章 矩陣分解和隱因子模型　94 12.1　矩陣分解和隱因子模型概述　94 12.2　代碼實(shí)戰(zhàn)： SVD 和文檔主題96 12.3　小結(jié)　100 第二篇　概率 第　13 章 概率建模　102 13.1　概率　102 13.2　隨機(jī)變量和分布　103 13.2.1　0-1分布（伯努利分布）　104 13.2.2　二項(xiàng)分布　104 13.2.3　多項(xiàng)分布　105 13.2.4　正態(tài)分布　107 13.3　代碼實(shí)戰(zhàn)：檢查數(shù)據(jù)是否服從正態(tài)分布　108 13.4　專家解讀：為什么正態(tài)分布這么厲害　111 13.5　小結(jié)　111 第　14 章 最大似然估計(jì)　112 14.1　最大似然原理　112 14.2　代碼實(shí)戰(zhàn)：最大似然舉例　113 14.3　專家解讀：最大似然和正態(tài)分布　115 14.4　最大似然和回歸建�！�117 14.5　小結(jié)　118 第　15 章 貝葉斯建模　119 15.1　什么是隨機(jī)向量　119 15.2　隨機(jī)向量的分布　120 15.3　獨(dú)立 VS 不獨(dú)立　123 15.4　貝葉斯公式　123 15.5　小結(jié)　124 第　16 章 樸素貝葉斯及其拓展應(yīng)用　125 16.1　代碼實(shí)戰(zhàn)：情感分析　125 16.2　專家解讀　128 16.3　代碼實(shí)戰(zhàn)：優(yōu)選健身計(jì)劃　130 16.4　小結(jié)　136 第　17 章 進(jìn)一步體會(huì)貝葉斯　137 17.1　案例：這個(gè)機(jī)器壞了嗎　137 17.2　專家解讀：從貝葉斯到在線學(xué)習(xí)　141 第　18 章 采樣　142 18.1　貝葉斯模型的困難　143 18.2　代碼實(shí)戰(zhàn)：拒絕采樣　144 18.3　代碼實(shí)戰(zhàn)： ＭＨ采樣　147 18.4　專家解讀：拒絕采樣算法　150 18.4.1　MH 算法　151 18.4.2　馬爾科夫鏈和細(xì)致平穩(wěn)條件　152 18.4.3　細(xì)致平穩(wěn)條件和接受率的關(guān)系　153 18.5　專家解讀：從 MH 到 Gibbs　154 18.6　小結(jié)　155 第三篇　優(yōu)化 第　19 章 梯度下降算法　158 19.1　代碼實(shí)戰(zhàn)：梯度下降算法　159 19.2　專家解讀：梯度下降算法　162 19.3　代碼實(shí)戰(zhàn)：隨機(jī)梯度下降算法　167 19.4　專家解讀：隨機(jī)梯度下降算法　168 19.5　小結(jié)　169 第　20 章 邏輯回歸　171 20.1　代碼實(shí)戰(zhàn)：邏輯回歸　173 20.2　專家解讀：邏輯回歸的原理　174 20.3　代碼實(shí)戰(zhàn)：邏輯回歸梯度下降算法　177 第　21 章 凸優(yōu)化　179 21.1　凸優(yōu)化掃盲　181 21.2　正則化和凸優(yōu)化　182 21.3　小結(jié)　183 附錄　A 工作環(huán)境搭建說(shuō)明　184 A.1　什么是 Python　184 A.2　本書(shū)所需的工作環(huán)境　187 A.2.1　Anaconda 版本選擇　187 A.2.2　多版本共存的 Anaconda 安裝方式　188 A.2.3　安裝 Anaconda 主版本（Anaconda 2）　188 A.2.4　安裝 Anaconda 輔版本（Anaconda 3）　190 A.2.5　開(kāi)發(fā)工具的選擇　190 結(jié)語(yǔ)193