导读：近日，Gartner机器学习团队负责人Andriy Burkov放出了他撰写的《The Hundred-Page Machine Learning Book》的这本书的最新版，只有100页，目标是任何只要有基础数学知识的人都能看懂的机器学习书籍。
这本书的十一个章节最新版都已经在网站上公开，涵盖监督学习和非监督学习两大部分、包括神经网络、深度学习以及计算机科学、数学和统计学中最重要的一些机器学习问题。这本书浅显易懂，适合初学者学习和收藏！
来源：专知（ID：Quan_Zhuanzhi）
大数据公众号后台回复100ML，可获取本书全文下载链接。
全文章节目录：
01 部分前言节选
让我们从实话实说开始：机器其实不会学习。典型的“Learning Machine”所做的是找到一个数学公式，当它应用于一组输入(称为“训练数据”)时，就会产生所需的输出。
这个数学公式还可以为大多数其他输入(与训练数据不同)生成正确的输出，条件是这些输入来自与训练数据相同或类似的统计分布。
为什么这不是学习？因为如果你稍微改变或扭曲一下输入，输出就很可能完全错误。但动物的学习不是这样的。如果你学会了通过直视屏幕来玩电子游戏，那么如果有人稍微转动一下屏幕，你仍然可以玩得很好。
机器学习算法，如果它是通过“直视”屏幕来训练的，除非它也经过了识别旋转的训练，否则它将无法在旋转的屏幕上玩游戏。
那么为什么叫“机器学习”呢？原因是由于市场营销：美国电脑游戏和人工智能领域的先驱阿瑟·塞缪尔(Arthur Samuel) 于1959年在IBM工作时创造了这个词。与IBM在2010年试图推销“认知计算(cognitive computing)”一词在竞争中脱颖而出的情况类似，在上世纪60年代，IBM使用了新的“机器学习(machine learning)”一词来吸引客户和有才华的员工。
正如你所看到的，就像人工智能不是智能一样，机器学习也不是学习。然而，机器学习是一个被普遍认可的术语，通常指的是制造机器的科学和工程，这些机器能够在没有明确编程的情况下完成各种有用的事情。因此，这个术语中的“学习”这个词是用来类比动物的学习，而不是字面上的学习。
02 部分章节内容
