人工智能正在形成一股新的浪潮，它將從技術、
經濟、社會等各個層面改變我們的工作和生活方式。
作為實現人工智能的重要技術，機器學習正在受到人
工智能專家之外的更廣泛人群的關注，想要了解機器
學習相關知識和技術的人日益增多。
中井悅司著的《機器學習入門之道》緊緊圍繞“
機器學習的商業應用”這個主題，從數學原理上解釋
了機器學習的一些基礎算法，如最小二乘法、最優推
斷法、感知器、Logistic回歸、K均值算法、EM算法
、貝葉斯推斷等。全書的主旨在於幫助讀者理解機器
學習的本質，因此作者介紹具體的例題時，基本的著
眼點是教會讀者使用什麼樣的思維方式，以及如何進
行計算，為讀者探索更加復雜的深度學習領域或神經
網絡算法打下堅實的基礎。
本書適合所有對機器學習感興趣的讀者閱讀，尤
其適合具備一定數學基礎的IT工程師閱讀，也可作為
高等院校相關專業師生的參考讀物。

第1章 數據科學和機器學習
1.1 數據科學在商業領域中的作用
1.2 機器學習算法的分類
1.2.1 分類：產生類判定的算法
1.2.2 回歸分析：預測數值的算法
1.2.3 聚類分析：對數據進行無監督群組化的算法
1.2.4 其他算法
1.3 本書使用的例題
1.3.1 基於回歸分析的觀測值推斷
1.3.2 基於線性判別的新數據分類
1.3.3 圖像文件的褪色處理（提取代表色）
1.3.4 識別手寫文字
1.4 分析工具的準備
1.4.1 本書使用的數據分析工具
1.4.2 運行環境設置步驟（以CentOS 6為例）
1.4.3 運行環境設置步驟（以Mac OS X為例）
1.4.4 運行環境設置步驟（以Windows 7/8.1為例）
1.4.5 IPython的使用方法
第2章 *小二乘法：機器學習理論第 一步
2.1 基於近似多項式和*小二乘法的推斷
2.1.1 訓練集的特征變量和目標變量
2.1.2 近似多項式和誤差函數的設置
2.1.3 誤差函數*小化條件
2.1.4 示例代碼的確認
2.1.5 統計模型的*小二乘法
2.2 過度擬合檢出
2.2.1 訓練集和測試集
2.2.2 測試集的驗證結果
2.2.3 基於交叉檢查的泛化能力驗證
2.2.4 基於數據的過度擬合變化
2.3 附錄：Hessian矩陣的特性
第3章 *優推斷法：使用概率的推斷理論
3.1 概率模型的利用
3.1.1 “數據的產生概率”設置
3.1.2 基於似然函數的參數評價
3.1.3 示例代碼的確認
3.2 使用簡化示例的解釋說明
3.2.1 正態分布的參數模型
3.2.2 示例代碼的確認
3.2.3 推斷量的評價方法（一致性和無偏性）
3.3 附錄：樣本均值及樣本方差一致性和無偏性的證明
3.3.1 樣本均值及樣本方差一致性和無偏性的證明
3.3.2 示例代碼的確認
第4章 感知器：分類算法的基礎
4.1 概率梯度下降法的算法
4.1.1 分割平面的直線方程
4.1.2 基於誤差函數的分類結果評價
4.1.3 基於梯度的參數修正
4.1.4 示例代碼的確認
4.2 感知器的幾何學解釋