《统计机器学习数理100题（Python版）》是一本通过动手实践，让读者掌握人工智能时代必备的“数学”“信息”“数据”等基本技能的书籍。全书通过解决100个数学问题的形式，推导数学公式，编写Python代码进行验证，用实践让知识点转化为实际技能，让读者更好地理解机器学习的本质，并具备一定程度的逻辑思维能力。全书共9章，具体内容包括线性回归、分类分析、重采样、信息准则、正则化、非线性回归、决策树、支持向量机、无监督学习。考虑到数学基础薄弱的读者也能很好地学习本书，还特别在开始设置了“线性代数”一章。 《统计机器学习数理100题（Python版）》内容丰富，实践性强，通过本书不仅能获得机器学习的相关知识，还能在实践中构建逻辑思维，获得在数据科学行业工作的基本素质，适合所有对机器学习·数据科学感兴趣的人员学习。

丛书序
前言
第0章 线性代数
0.1 逆矩阵
0.2 行列式
0.3 线性独立性
0.4 向量空间及其维数
0.5 特征值与特征向量
0.6 正交基与正交矩阵
0.7 对称矩阵的对角化
附录 命题的证明
第1章 线性回归
1.1 最小二乘法
1.2 多元回归
1.3 β分布
1.4 RSS分布
1.5 βj≠0的假设检验
1.6 决定系数与共线性检验
1.7 置信区间与预测区间
附录 命题的证明
练习题1～18
第2章 分类分析
2.1 逻辑回归
2.2 牛顿-拉弗森法的应用
2.3 线性判别与二次判别
2.4 K-近邻法
2.5 ROC曲线
练习题19～31
第3章 重采样
3.1 交叉验证
3.2 线性回归中的交叉验证
3.3 自助法
附录 命题的证明
练习题32～39
第4章 信息量准则
4.1 信息量准则概述
4.2 有效估计量与Fisher信息量矩阵
4.3 Kullback-leibler信息量
4.4 AIC的推导
附录 命题的证明
练习题40～48
第5章 正则化
5.1 岭回归
5.2 次微分
5.3 Lasso回归
5.4 比较岭回归和Lasso回归
5.5 λ值的设定
练习题49～56
第6章 非线性回归
6.1 多项式回归
6.2 样条回归
6.3 自然样条函数回归
6.4 平滑样条
6.5 局部回归
6.6 广义加法模型
附录 命题的证明
练习题57～68
第7章 决策树
7.1 回归决策树
7.2 分类决策树
7.3 装袋法
7.4 随机森林
7.5 提升树
练习题69～74
第8章 支持向量机
8.1 最优边界
8.2 优化理论
8.3 支持向量机的解
8.4 使用核函数扩展支持向量机
附录 命题的证明
练习题75～87
第9章 无监督学习
9.1 K-means聚类
9.2 分层聚类
9.3 主成分分析
附录 程序
练习题88～100