这本数学书AI圈都在转，资深ML研究员7年之作，免费电子版可看羿阁发自凹非寺量子位|公众号

羿阁发自凹非寺
量子位|公众号QbitAI
这几天，一本免费数学教程在机器学习圈被疯转。
这本书名叫《概率数值》（ProbabilisticNumerics），作者是来自马普所、牛津大学和INRIA的三位机器学习大牛，其中一位的谷歌学术引用量达到17000+ 。
PhilippHennig、MichaelA.Osborne和HansP.Kersting三位作者在写这本书时，前后一共写了7年，长达400多页。

文章图片
新书发布后，作者之一PhilippHennig在推特上感叹：它终于出来了。
除了实体出书以外，作者们也在网上分享了全书的免费电子版。（ps:文末可以查看~）
具体来说，这本书希望从数学的角度，教会大家如何优化机器学习模型。
通常，机器学习涉及大量线性代数、积分、或寻找非线性函数的最小值等问题，而这些问题往往会占用大量计算资源。
因此，作者希望能通过讲解背后概率数值计算的原理，让我们理解模型“耗能的原因” ，从而更好地优化模型。
对于这本书，爱丁堡大学机器学习讲师AntonioVergari点了个赞：
数值计算积分不仅是机器学习、人工智能的核心，也是工程、物理等领域的核心。
除了数值分析的角度，从模型推理和传播不确定性等领域来看，也是非常有价值的。

文章图片
这本书有什么用？在计算机中，有很多问题涉及复杂系统的求解。
例如用计算机预测天气、癌细胞基因突变等问题，都与复杂系统有关，由于这种系统在求解时容易引入不确定性，又会导致计算资源的浪费。
而在机器学习中中，模型给出的预测结果不一定是可靠的，各种因素也会导致输出结果的不确定性。
目前，随着数据精度的提升，不确定性带来的计算量也还在进一步增大。
从数学角度来说，如何量化这种不确定性、降低计算资源的浪费，就涉及概率数值（概率统计、数值分析等）的理论和方法。
如果能掌握它的理论技巧，计算机就能更高效地处理数据，还能利用这种不确定性来做出计算的最优决策，包括使用贝叶斯推断等理论，来构建更灵活、更高效、更个性化的算法。
在书中，作者不仅充分讲解了概率数值计算的原理，还进一步通过练习题手把手地教你如何优化一个机器学习模型，并且所有重要的练习都配备了解决方案。
这一点获得了网友的点赞。

文章图片
正如作者在简介中所说：
我们为所有需要使用数值计算的人写了这本书，不管是天体物理学家还是深度学习黑客。
对于那些正在或正打算成为数值计算领域开发者的人，以及正在学习机器学习的人，我们希望这本书会是有趣的。
这本书讲了什么？在机器学习快速发展的当下，这本书旨在给新兴的概率数值领域做一个概述。
书中内容主要从以下几方面展开：
1、数学基础
概率数值计算是机器学习和应用数学之间的桥梁，要想学会机器学习，数学是绕不开的话题。
这一章节对后续会使用到的概率推理、高斯函数、回归、线性代数等关键概念进行了介绍。
有统计学或机器学习背景的读者读起来会很轻松～

文章图片
2、积分
本章利用积分的基本概念，介绍了概率数值计算的核心——贝叶斯积分公式、经典求积公式等理论，并重构现有的数值求积规则，在现有的方法上开发新的功能。