【简明书】数学，统计和机器学习的动手入门，57页pdf

这本书的目的是用最简单的方法来教机器学习。来自在线社区的例子，如Stack Overflow、Beyond Data Science和开源ML网站，往往难以理解。我们为经理、技术总监、程序员、产品经理以及其他想要学习更多机器学习知识的人写了这本书。也许你读过一些关于神经网络、回归、TensorFlow或分类的东西，现在你想知道如何使用这些工具在你自己的组织中解决问题。或者，也许你想进入这个领域作为一个新的职业或挣更高的薪水。我们从最基础的开始——基本的统计和代数——然后再以此为基础。这是因为机器学习是应用数学。如果你不懂基本的代数，那么你永远也理解不了ML。幸运的是，你不需要任何比这更复杂的概念。

基本描述性统计。我们回顾正态曲线、标准差、均值和方差。这些统计概念衡量机器学习模型的准确性。另外，在编写代码之前，在选择ML算法之前，它们通常是查看数据集的第一步。
基础代数和相关。这是对数据之间关系的研究。只有当数据呈正相关时，才能构建预测模型，因此我们将介绍如何确定输出是否与输入相关。否则你只是在浪费时间。
回归。一旦确定了输入和输出数据集之间存在某种相关性，就可以寻找描述这种关系的函数。最简单的情况是y = mx + b，这是简单的线性回归。有一个扎实的理解是很重要的，因为大多数机器学习，甚至神经网络，都是对基本回归思想的扩展。
分类。这是一个预测模型，其结果是离散的，而不是实数。换句话说，y = mx + b产生一个浮点数(实数)。但你的结果可能是一组数字中的一个，比如1 2 3 4或5。举个例子，看看手写的数字，看看它们是0,1,2，…，还是9。
决策。将数据点分组。例如，您可能希望根据一些共同特征对人们进行分组，例如根据血压、血糖等对他们的医疗状况进行分组。或者你想根据不同的生活质量问题来划分城市。
决策树。一种正式的决策方式，比如是否根据决定某人偿还贷款的能力和可能性的因素来决定是否给某人贷款。
神经网络。神经网络可以进行分类或回归。不同之处在于它的设计是为了在非常大的范围内工作。例如，当Facebook给某人的照片加上一个名字时，这是因为你已经给了他们足够的例子，他们可以这样做。类似地，一款可以识别植物的应用程使用神经网络。它通过拍摄一张照片并将其压缩成像素，然后根据这些像素的排列做出预测来实现这一点。语音识别也是如此。