本书在写作伊始，就把读者设想为一位虽然没有任何AI基础，但对技术本身抱有浓厚兴趣、喜欢“抽丝剥茧”、探究真相的“有识之士”。有别于市面上部分AI技术书籍从一开始就直接讲解各种“高深莫测”算法的叙述手法，本书尝试先从零开始构建基础技术点，而后“循序渐进”地引领读者前进，最终“直捣黄龙”，赢取最后的胜利。
全书据此分为5篇，共31章，内容基本覆盖了由AI发展历史、数学基础知识、机器学习算法等经典知识点以及深度学习、深度强化学习等较新理论知识所组成的AI核心技术。同时注重“理论联系实践”，通过多个章节重点介绍了如何在工程项目中运用AI来解决问题的诸多经验以及相应的模型算法，以期让读者既能享受到“知其所以然”的乐趣，还能体会到“知其然”的轻松和愉悦。
本书适合对AI感兴趣的读者阅读，从事AI领域工作的研究人员、工程开发人员、高校本科生和研究生都可以从本书中学到机器学习的相关知识。

林学森，香港中文大学计算机硕士，曾于多家跨国企业担任研发和管理工作，并已在国内外会议、杂志上发表多篇文章，获得多项发明专利。现为某世界500强科技公司高级专家、资深架构师。有丰富的技术研发与项目管理经验，擅长操作系统架构设计与内核分析。

机器学习基础知识篇
第1章 人工智能概述
1.1 人工智能的定义
1.2 人工智能发展简史
1.2.1 史前文明，曙光初现（1956年前）
1.2.2 初出茅庐，一战成名（1956-1974年）
1.2.3 寒风凛冽，首次入冬（1974-1980年）
1.2.4 卷土重来，威震八方（1980-1987年）
1.2.5 失望弥漫，再度入冬（1987-1993年）
1.2.6 重出江湖，渐入佳境（1993年至今）
1.3 人工智能经典流派
1.3.1 符号主义
1.3.2 连接主义
1.3.3 行为主义
1.3.4 贝叶斯派
1.4 人工智能与机器学习
1.5 如何选择机器学习算法
1.5.1 没有免费的午餐理论
1.5.2 Scikit Learn小抄
1.5.3 Microsoft Azure小抄
1.6 机器学习的典型应用场景
1.6.1 计算机图像领域
1.6.2 自然语言处理简述及其应用
1.6.3 制造业中的预测性维护
1.6.4 软件自动化开发和测试
1.7 本书的组织结构
第2章 机器学习中的数学基础
2.1 微分学
2.1.1 链式求导法则
2.1.2 对数函数求导
2.1.3 梯度和梯度下降算法
2.2 线性代数
2.2.1 向量
2.2.2 矩阵拼接
2.2.3 特征值和特征向量
2.2.4 仿射变换
2.3 概率论
2.3.1 概率分布
2.3.2 先验/后验概率
2.3.3 最大似然估计
2.3.4 贝叶斯法则
2.4 统计学
2.4.1 数据的标准化和归一化
2.4.2 标准差
2.4.3 方差和偏差
2.4.4 协方差和协方差矩阵
2.5 最优化理论
2.5.1 概述
2.5.2 函数等高线
2.5.3 拉格朗日乘子法
2.5.4 拉格朗日对偶性
2.5.5 KKT
2.6 其他
2.6.1 训练、验证和测试数据集
2.6.2 过拟合和欠拟合
2.6.3 奥卡姆的剃刀
2.6.4 信息熵
2.6.5 IOU
2.6.6 NMS
2.6.7 Huffman树
第3章 机器学习模型的度量指标
3.1 Precision、Recall和mAP
3.2 F1 Score
3.3 混淆矩阵
……
经典机器学习篇
深度学习进阶篇
机器学习应用实践及相关原理
机器学习平台篇
参考文献