本书从最基础的概率统计知识讲起，逐步深入到机器学习以及深度学习的分类算法，并在最后配合深度学习的实战案例，介绍了softmax回归函数在手写体图像识别中的具体应用。通过手动编辑代码，让读者更深入地了解概率在人工智能领域的重大作用。全书分为16章，涵盖的内容主要有概率统计在人工智能发展过程中的重要影响；随机试验及概率的概念；随机变量的分布及多维随机变量的分布情况；贝叶斯算法；正态分布现象；随机变量的数字特征；机器学习中的损失函数；大数定律；样本及抽样分布的做法；参数估计的概念；马尔科夫链；过拟合与欠拟合问题及解决方法；Tensorflow概述及安装方法；卷积神经网络介绍；实验演练之手写体数字识别等。
本书配有大量的插图，以身边的生活现象为基础，深入简出地介绍了什么是概率统计，特别适合数学基础薄弱、想学习概率统计又怕自己看不懂的初学者阅读。同时也适合机器学习、深度学习的人工智能爱好者阅读。

第1章 机器学习及概率
1.1 机器学习概述
1.2 机器学习的发展历史
1.3 机器学习的研发进展
1.4 机器学习与概率的关系
第2章 随机试验及概率
2.1 概率及概率的特点
2.2 概率与频率
2.3 等可能概型（古典概型）
2.4 概率小故事——三门问题
第3章 随机变量及其分布
3.1 随机变量
3.2 离散型随机变量及其分布律
3.3 随机变量的分布函数
3.4 连续型随机变量及其概率密度
3.5 概率小故事——星期二男孩
第4章 多维随机变量及其分布
4.1 二维随机变量
4.2 边缘分布
4.3 概率小故事——彭尼的游戏
第5章 贝叶斯问题
5.1 由暗恋引发的思考
5.2 贝叶斯概率
5.3 贝叶斯算法原理
5.4 朴素贝叶斯算法原理
5.5 概率小故事——你打游戏能赢吗
第6章 正态分布
6.1 生活中的正态分布现象
6.2 正态分布
正态分布实验
6.3 为何机器学习经常用到正态分布
6.4 正态分布的计算
6.5 概率小故事——你的朋友都比你有人缘？
第7章 随机变量的数字特征
7.1 数学期望
7.2 方差
7.3 协方差及相关系数
7.4 随机变量的矩与切比雪夫不等式
7.5 概率小故事——赌博默示录
第8章 机器学习中的损失函数
8.1 交叉熵损失函数
8.2 Sigmoid函数与Softmax回归问题
8.2.1 Softmax概述
8.3 概率小故事——同一天生日问题
第9章 大数定律
9.1 大数定律
9.2 中心极限定理
9.3 概率小故事——捉羊问题
第10章 样本及抽样分布
10.1 总体及样本
10.2 直方图和箱线图
10.3 抽样分布
10.4 概率小故事——布丰问题
第11章 参数估计
11.1 点估计
11.2 区间估计
11.3 概率小故事——你有病吗？
第12章 马尔科夫链
12.1 马尔科夫链概述
12.2 隐马尔科夫链与打靶问题
12.3 概率小故事——伟大的数学家
第13章 过拟合与欠拟合问题
13.1 生活中的过拟合与欠拟合现象
13.2 过拟合与欠拟合概念
13.3 解决过拟合与欠拟合问题的“四大金刚”
13.4 概率小故事——路边的阴谋
第14章 安装TensorFlow
14.1 安装前准备工作
14.2 开始使用TensorFlow
14.3 概率小故事——范进中举是巧合吗？
第15章 卷积神经网络
15.1 卷积神经网络的生物背景
15.2 计算机可以做什么
15.3 卷积神经网络的基本概念
15.4 卷积神经网络运算过程
15.4.1 卷积神经网络与前馈神经网络
15.4.2 卷积运算的原理
15.4.3 卷积运算形式
15.4.4 卷积网络工作方式
15.4.5 池化过程
15.5 反向传播
15.6 概率小故事——狼来了吗
第16章 手写体数字识别
16.1 LeNet-5模型介绍
16.2 手写体数字识别
16.3 概率小故事——测一测您有多大概率看完本书？