黄佳，新加坡埃森哲公司不错顾问，人工智能专家，机器学习和云计算不错工程师。计算机世界奖学金获得者，新加坡政府奖学金获得者。黄佳先生IT从业近20年，参与过公共事业、医疗、金融等多领域大型人工智能项目，对政府、企业和*单位的数据智能化项目如何成功落地有着很好深刻的思考和洞见。

引子：AI 菜鸟的挑战—100 天上线智能预警系统
第1 课 机器学习快速上手路径—唯有实战
1.1 机器学习的家族谱
1.1.1 新手入门机器学习的3 个好消息
1.1.2 机器学习就是从数据中发现规律
1.1.3 机器学习的类别—监督学习及其他
1.1.4 机器学习的重要分支—深度学习
1.1.5 机器学习新热点—强化学习
1.1.6 机器学习的两大应用场景—回归与分类
1.1.7 机器学习的其他应用场景
1.2 快捷的云实战学习模式
1.2.1 在线学习平台上的机器学习课程
1.2.2 用Jupyter Notebook 直接实战
1.2.3 用Google Colab 开发第一个机器学习程序
1.2.4 在Kaggle 上参与机器学习竞赛
1.2.5 在本机上“玩”机器学习
1.3 基本机器学习术语
1.3.1 特征
1.3.2 标签
1.3.3 模型
1.4 Python 和机器学习框架
1.4.1 为什么选择用Python
1.4.2 机器学习和深度学习框架
1.5 机器学习项目实战架构
1.5.1 第1 个环节：问题定义
1.5.2 第2 个环节：数据的收集和预处理
1.5.3 第3 个环节：选择机器学习模型
1.5.4 第4 个环节：训练机器，确定参数
1.5.5 第5 个环节：超参数调试和性能优化
1.6 本课内容小结
1.7 课后练习
第2 课 数学和Python 基础知识—一天搞定
2.1 函数描述了事物间的关系
2.1.1 什么是函数
2.1.2 机器学习中的函数
2.2 捕捉函数的变化趋势
2.2.1 连续性是求导的前提条件
2.2.2 通过求导发现y 如何随x 而变
2.2.3 凸函数有一个全局最低点
2.3 梯度下降是机器学习的动力之源
2.3.1 什么是梯度
2.3.2 梯度下降：下山的隐喻
2.3.3 梯度下降有什么用
2.4 机器学习的数据结构—张量
2.4.1 张量的轴、阶和形状
2.4.2 标量—0D（阶）张量
2.4.3 向量—1D（阶）张量
2.4.4 矩阵—2D（阶）张量
2.4.5 序列数据 —3D（阶）张量
2.4.6 图像数据 —4D（阶）张量
2.4.7 视频数据—5D（阶）张量
2.4.8 数据的维度和空间的维度
2.5 Python 的张量运算
2.5.1 机器学习中张量的创建
2.5.2 通过索引和切片访问张量中的数据
2.5.3 张量的整体操作和逐元素运算
2.5.4 张量的变形和转置
2.5.5 Python 中的广播
2.5.6 向量和矩阵的点积运算
2.6 机器学习的几何意义
2.6.1 机器学习的向量空间
2.6.2 深度学习和数据流形
2.7 概率与统计研究了随机事件的规律
2.7.1 什么是概率
2.7.2 正态分布
2.7.3 标准差和方差
2.8 本课内容小结
2.9 课后练习
第3 课

机器学习入门必备“小白书”，与小冰一起参加机器学习课堂培训，通过丰富的实战案例连接理论与技术！赠送全书实例源代码。

本书的目标，是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松地掌握机器学习的基本知识，从而拥有相关的实战能力。
本书通过AI“小白”小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。本书所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。
本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。