学习并精通任何一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？机器学习也不例外，《快乐机器学习》就以这四个步骤来介绍机器学习。 《快乐机器学习》第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。 第3章介绍“机器学习怎么学”，即介绍机器如何选择出*优模型。作者在这3章的写作上花费的时间*多，光这3章的内容就绝对会让读者有所收获。 第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。 第15 章介绍机器学习中的一些非常实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。 为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。《快乐机器学习》非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。

学习机器学习不仅要了解机器，更要了解、调整我们的学习方式，做到真正的“快乐机器学习”。

张江，北京师范大学系统科学学院教授，博士生导师，集智俱乐部、集智学园创始人，腾讯研究院特聘顾问。

在人工智能日渐兴盛的今天，本书带你从理论到实践领略机器学习算法的魅力。全书通篇图文并茂，浅显易懂又不缺乏专业的指导，是初学者和经验丰富的从业者与作者一起畅游算法世界的一本好书。

刘志明，Tushare创始人

此书可以非常清晰地告诉读者机器学习领域有哪些核心的内容，到底从哪里开始学习，先学什么后学什么，一步步学习的较优路径是什么，如何在较短的时间内达到较优的学习效果。此书的特色是使用了大量的图表对一些关键、难理解的知识点进行阐释和说明，读者可以获得较为直观的认识。我相信此书的读者可以获得掌握机器学习知识和技术的快乐。

秦虎 ，华中科技大学 管理学院教授

前言

作者写作本书的目的就是用通俗的文字来讲解机器学习，最好通俗得如作者在女儿生日时给她写的信：

亲爱的欣玥：

从2020年开始，愿你：

? 学习不要死记硬背，避免过拟合；也不要蜻蜓点水，避免欠拟合。

? 心态像随机梯度下降一样，不要过分注重眼前的利益和一时的得失，进而看不清大局而被假象蒙骗。

? 抉择像随机森林一样，各取所长，集思广益，这样你才能做出最正确的决定。

? 操行像自适应提升一样，知错能改，这样你才能越来越优秀。

? 说话像奥卡姆剃刀原理一样，牢记“少就是多”，当一个好的聆听者。

? 脾气不要像梯度爆炸一样越来越大，也不要像梯度消失一样没有，要稳定地敢爱敢恨。

? 容忍像支持向量机一样，最大化你的容错间隔。有一些错误是在所难免的，要学会将硬间隔变成软间隔。

? 生活像偏差和方差达到最优点一样，不偏不倚，不骄不躁。

从2020年开始，爸爸会

? 最初辅导你有监督学习。

? 然后锻炼你半监督学习。

? 接着放任你无监督学习。

? 不断评估你要增强学习。

当学习到了某个临界点时，不管外界资源多么丰富，你的表现一定会趋于稳定，这时必须靠深度学习才能最大程度地突破自我，最终获得迁移学习的能力。

学习并精通一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？学习机器学习也不例外，本书就以这四个步骤来解读机器学习。

? 第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。

? 第2章介绍“机器学习可行吗”，即机器具备学习样本以外的数据的能力。本章从概率的角度证明样本内误差和样本外误差的关系。

? 第3章介绍“机器学习怎么学”，即机器如何选出最优模型。本章介绍机器学习版本的样本内误差（训练误差）和样本外误差（测试误差），再通过验证误差来选择模型。

前3章属于机器学习的概述：第1章介绍机器学习的概念，为了让读者打好基础；第2章为证明机器学习是可行的，让读者做到心中有数；第3章运用机器学习性能指标而构建框架，看懂它们不需要精通任何机器学习的算法。作者在这3章的写作上花费的时间最多，光这3章的内容就绝对让读者有所收获。

第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。在本书中，机器学习模型分为线性模型、非线性模型和集成模型。

? 第4~8章介绍线性模型，包括线性回归模型、对率回归模型、正则化回归模型、支持向量机模型。

? 第9~11章介绍非线性模型，包括朴素贝叶斯模型、决策树模型、人工神经网络模型、正向/反向传播模型。

? 第12~14章介绍集成模型，包括随机森林模型、提升树模型、极度梯度提升模型。

第15章介绍机器学习中一些非常实用的经验，包括学习策略、目标设定、误差分析、偏差和方差分析。

为了帮助读者阅读，下面的流程图展示了整本书的大框架。

本书的每一章都以通俗的引言开始，吸引读者；以精美的思维导图过渡，让讲解思路更清晰；以简要的总结结束，让读者巩固所学的知识。此外，每个知识点都是理论和实践相结合，既有严谨的数学推导，又有多样（Python和MATLAB）的代码展示，图文并茂，最好地服务各类读者。

作者非常欣赏谷歌大脑研究员Chris Olah的观点“I want to understand things clearly, and explain them well”，即力争把每个知识点弄懂、弄透，然后以通俗易懂的方式让其他人学会、学透。作者愿意做 “把困难的东西研究透而简单展示给大众”的人（Research Distiller），因为学术界中的论文虽然“高大上”，但是很多会让读者读完还是一头雾水。用Chris Olah的话来讲，这种以不清不楚的方式来解释高难课题的做法欠下了太多研究债务（Research Debt）。

这本书能够完成，受到很多机器学习优质课程的启发，比如斯坦福大学Andrew Ng教授的CS229 课程、加州理工学院Yaser S. Abu-Mostafa教授的Learning from Data课程、台湾大学林轩田教授的机器学习基石和技法、华盛顿大学Emily Fox和Carlos Guestrin教授的Machine Learning Specialization。他们的课程都是理论结合实际，通俗而不失严谨，学习这些课程可以让我解决工作中的很多需求，可见这些课程的含金量之高，在这里我想对他们表达最真挚的感谢（即便他们也不认识我 ）！

此外，感谢父母无条件地支持我写书，感谢爷爷、大伯和姐夫经常阅读我的公众号文章，经常鼓励我，感谢夫人在我写书时帮着带娃，感谢女儿给我的无穷动力：想象着以后她拿着我写的书可以自豪地跟别的小朋友说“这是我爸爸写的书”。最后感谢所有“王的机器”公众号的读者，你们的支持和反馈一直激励着我不断进步，这本书是特别为你们而写的。

由于作者水平有限，书中难免会有错漏之处，欢迎诸位专家和广大读者斧正。