第一章 为什么机器学习至关重要。 本章描绘了人工智能和机器学习的发展全貌——从过去到现在，再到未来。
第二章 监督学习（一）。 本章通过例题介绍了线性回归、损失函数、过拟合和梯度下降。
第三章 监督学习（二）。 本章介绍了两种分类方法：逻辑回归和SVM。
第四章 监督学习（三）。 本章介绍了非参数方法：k近邻估计、决策树、随机森林。以及交叉验证、超参数调整和集成模型的相关知识。
第五章 无监督学习。 本章介绍了聚类：K-means、层次聚类；降维：主成分分析（PCA）、奇异值分解（SVD）。
第六章 神经网络与深度学习。 本章介绍了深度学习的工作原理、应用领域和实现方法，并回顾了神经网络是如何从人类大脑中汲取灵感的。此外，本章还涉及卷积神经网络（CNN）、递归神经网络（DNN）以及神经网络应用案例等内容。
第七章 强化学习。 本章介绍了强化学习的Exploration和Exploitation（探索-利用），包括马尔可夫决策过程、Q-learning、策略学习和深度强化学习。
附录: 最佳机器学习资源。 一份用于学习机器学习的资源清单。
Machine Learning for Humans是国外机器学习爱好者之间流传甚广的一本电子书，它最先是Medium上的连载文章，后因文章质量出众、阅读价值高，作者在建议下把文章整理成电子书，供读者免费阅读。本书的作者Vishal Maini是耶鲁大学的文学学士，目前已入职DeepMind；另一名作者Samer Sabri同样毕业于耶鲁大学，目前正在加州大学圣迭戈分校的计算机学院攻读硕士学位。
哪些人应该读一读？
本书向所有人免费开放阅读。书中虽然会涉及概率论、统计学、程序设计、线性代数和微积分等基础知识，但没有数学基础的读者也能从中获得启发。
本书旨在帮助读者在2—3个小时内迅速掌握机器学习高级概念，如果您想得到更多关于线上课程、重要书籍、相关项目等方面的内容，请参考附录中的建议。
专知便捷查看
便捷下载，请关注专知人工智能公众号（点击上方蓝色专知关注）
专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源
