本书是作者多年在数据智能领域中利用机器学习实战经验的理解、归纳和总结。出于“回归事物本质，规律性、系统性地思考问题”“理论为实践服务并且反过来充实理论，为更多人服务”的想法和初心，本书系统地阐述了机器学习理论和工程方法论，并结合实际商业场景落地。 全书分为3部分。第1部分是机器学习的数学理论理解，这部分不是对于机器学习数学理论的严谨推导和证明，更多是对于理论背后的“到底是什么，为什么要这样做”的通俗理解。尽可能通过对应到日常生活中的现象来进行讲述。第2部分是机器学习模型、方法及本质，这一部分针对机器学习的方法论及具体的处理过程进行阐述。涉及数据准备、异常值的检测和处理、特征的处理、典型模型的介绍、代价函数、激活函数及模型性能评价等，是本书的核心内容。我们学习知识的主要目的是解决问题，特别是对于企业的从业人员，对在商业实战环境中出现的问题，希望通过机器学习的方式来更好地解决。第3部分是机器学习实例展示。 本书内容系统、选材全面、知识讲述详细、易学易用，兼具实战性和理论性，适合机器学习的初学者与进阶者学习使用。

第1部分 机器学习的数学理论理解
第1讲 这个不确定的世界如何描述
1.1 概率、几率及期望
1.1.1 概念及定义
1.1.2 概率和几率的关系
1.1.3 期望值
1.2 概率函数、概率分布函数和概率密度函数
1.2.1 随机变量和普通变量的区别
1.2.2 离散型随机变量和连续型随机变量
1.2.3 离散型随机变量概率函数
1.2.4 离散型随机变量概率分布
1.2.5 离散型随机变量概率分布函数
1.2.6 连续型随机变量的概率函数和分布函数
1.3 条件概率、联合概率以及贝叶斯公式
1.3.1 计算条件概率和联合概率
1.3.2 贝叶斯公式的历史和现实含义
1.4 本讲小结
第2讲 数据的形态描述
2.1 正态分布
2.2 混合高斯分布
2.3 伯努利分布及二项分布
2.4 泊松分布
2.5 指数分布
2.6 幂律分布
2.7 以上分布的总结和联系
2.8 本讲小结
第3讲 信息的数学表达
3.1 自信息
3.2 信息熵
3.3 信息增益
3.4 相对熵
3.5 交叉熵
3.6 基尼指数（不纯度）
3.7 本讲小结
第4讲 随机变量的相关性和重要性
4.1 数值型变量之间的相关性
4.1.1 协方差
4.1.2 皮尔逊相关系数
4.2 类别型变量之间的相关性
4.2.1 互信息
4.2.2 卡方值
4.3 证据权重和信息值
4.3.1 证据权重
4.3.2 信息值
4.4 本讲小结
第5讲 抓住主要矛盾——降维技术理论
5.1 主成分分析
5.2 线性判别分析
5.3 奇异值分解
5.4 自编码器
5.5 PCA、SVD和AE是亲戚
5.6 傅里叶变换
5.7 本讲小结
第6讲 采样方法
6.1 拒绝采样
6.2 马尔可夫链蒙特卡罗采样
6.3 Metropolis-Hastings采样
6.4 吉布斯采样
6.5 汤普森采样
6.6 上采样-人工合成数据策略
6.7 本讲小结
第7讲 抬头看路低头拉车的迭代方法
7.1 迭代求解
7.2 梯度下降法
……
第2部分 机器学习模型、方法及本质
第3部分 机器学习实例展示