點擊上方“AI有道”，選擇“星標”公眾號

重磅干貨，第一時間送達

之前早些時候，紅色石頭就在公眾號發文推薦過一本書，就是短小精悍的《The Hundred-Page Machine Learning Book》，中文譯為《百頁機器學習》。之所以說這本書短小精悍，是因為它僅僅只有 152 頁。如今這本書已經正式完稿了！而且開源了書籍配套的所有代碼！

這本《百頁機器學習》的作者是 Gartner 公司機器學習團隊負責人、人工智能博士 Andriy Burkov。作者表示，這本書麻雀雖小五臟俱全，內容十分豐富。

作者本著「先讀后買」的原則，允許讀者免費在線閱讀本書，這里附上在線閱讀地址：

http://themlbook.com/wiki/doku.php?id=start

適合人群

這本書包含了自 20 世紀 60 年代以來發展起來的大量機器學習材料中被證明具有重大實用價值的部分。一個機器學習的初學者會在這本書中發現足夠的細節，以獲得對這個領域的一個舒適的理解水平。有經驗的實踐者可以使用這本書作為進一步自我提高的方向集。

書籍目錄

這本《百頁機器學習》已經完稿！具體目錄如下：

• 前言

• 第 1 章：介紹

第一部分 監督式學習

• 第二章：標記和定義

• 第三章：基礎算法

• 第四章：學習算法的解剖

• 第五章：基礎實戰

• 第六章：神經網絡與深度學習

• 第七章：問題與解決

• 第八章：進階實戰

第二部分 非監督式學習和其它學習

• 第九章：非監督式學習

• 第十章：其它形式學習

• 第十一章：結論

開源代碼

這是一個好消息，現在本書配套的所有代碼都已開源，GitHub 地址為：

https://github.com/aburkov/theMLbook

有了代碼，大家可以一邊看書一邊編寫代碼了。效率翻倍，其樂無窮~

例如本書第三章中最簡單的線性回歸算法。

GitHub 上相應的 Python 代碼為：

import numpy as np import matplotlib.pyplot as pltfrom sklearn.linear_model import Ridge from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import make_pipelineimport matplotlib matplotlib.rcParams['mathtext.fontset'] = 'stix' matplotlib.rcParams['font.family'] = 'STIXGeneral' matplotlib.rcParams.update({'font.size': 18})def f(x):""" function to approximate by polynomial interpolation"""return 0.5 * x# generate points used to plot x_plot = np.linspace(-10, 10, 100)# generate points and keep a subset of them x = np.linspace(-10, 10, 100) rng = np.random.RandomState(0) rng.shuffle(x) x = np.sort(x[:10]) noize = [(-2 + np.random.random()*2) for i in range(len(x))] y = f(x) + noize# create matrix versions of these arrays X = x[:, np.newaxis] X_plot = x_plot[:, np.newaxis]colors = ['red', 'red']#, 'orange' lw = 2type_of_regression = ["linear regression", "regression of degree 10"] fit = ["fit", "overfit"] for count, degree in enumerate([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="training examples")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-regression-' + fit[count] + '.pdf', format='pdf', dpi=1000, bbox_inches = 'tight', pad_inches = 0)fig1.savefig('../../Illustrations/linear-regression-' + fit[count] + '.png', dpi=1000, bbox_inches = 'tight', pad_inches = 0)plt.show()

短小精悍的《百頁機器學習》是一本不錯的機器學習工具手冊，有理論有代碼，是一個不錯的選擇。

資料獲取

那么重點來了！如何獲取這本書籍的電子版和源碼呢？放心，AI有道都為大家準備好了。獲取方式很簡單，在本公眾號后臺回復：100P，即可。書籍 pdf 和 GitHub 書籍源碼都已打包。

話不多說，開始學習吧~

推薦閱讀

（點擊標題可跳轉閱讀）

完備的 AI 學習路線，最詳細的資源整理！

干貨 | 公眾號歷史文章精選

我的深度學習入門路線

我的機器學習入門路線圖

覺得這篇文章有幫助？請轉發給更多人

關注?AI有道?加星標，獲取最新 AI 干貨

最新 AI 干貨，我在看??

總結

以上是生活随笔為你收集整理的开源！100 页机器学习教程全面开放，附完整代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。