张晓明，网名大圣。靠前早期的竞价搜索工程师，曾就职雅虎、阿里、移动等大型互联网公司，担任过数据专家、技术总监等职务，服务过广告、电商、移动运营商、互联网金融等多行业，有 15 年以上的数据挖掘、机器学习一线工程经验。现为自由职业者、独立咨询顾问、独立讲师。

第一篇 线性代数
第1章 论线性代数的重要性
1.1 小白的苦恼
1.2 找朋友
1.3 找推荐
1.4 赚大钱
第2章 从相似到向量
2.1 问题：如何比较相似
2.2 代码示例
2.3 专家解读
第3章 向量和向量运算
3.1 代码示例：在 Python 中使用向量
3.1.1 创建向量
3.1.2 向量的范数（模长）
3.1.3 向量的相等
3.1.4 向量加法（减法）
3.1.5 向量的数乘
3.1.6 向量的线性组合
3.1.7 向量的乘法（点积）
3.2 专家解读
第4章 最难的事情——向量化
4.1 问题：如何对文本向量化
4.2 One-Hot Encoding 方式
4.2.1 做法 1：二值化
4.2.2 做法 2：词频法
4.2.3 做法 3：TF-IDF
4.3 专家解读
4.3.1 稀疏向量和稠密向量
4.3.2 One-Hot 到 Word2Vec
第5章 从线性方程组到矩阵
5.1 回归预测
5.2 从方程组到矩阵
5.3 工程中的方程组
第6章 空间、子空间、方程组的解
6.1 空间和子空间
6.2 子空间有什么用
6.3 所谓最优解指什么
第7章 矩阵和矩阵运算
7.1 认识矩阵
7.2 创建矩阵
7.2.1 代码示例：如何创建矩阵
7.2.2 代码示例：如何创建对角矩阵
7.2.3 代码示例：如何创建单位矩阵
7.2.4 代码示例：如何创建对称矩阵
7.3 矩阵运算
7.3.1 代码示例：加法和数乘
7.3.2 代码示例：矩阵乘法
7.3.3 代码示例：求逆矩阵
第8章 解方程组和最小二乘解
8.1 代码实战：解线性方程组
8.2 代码实战：用最小二乘法解方程组
8.3 专家解读：最小二乘解
8.3.1 损失函数
8.3.2 最小二乘解
第9章 带有正则项的最小二乘解
9.1 代码实战：多项式回归
9.2 代码实战：岭回归
9.3 代码实战：Lasso 回归
第10章 矩阵分解的用途
10.1 问题 1：消除数据间的信息冗余
10.2 问题 2：模型复杂度
10.3 代码实战：PCA 降维
10.4 专家解读
10.5 从 PCA 到 SVD
第11章 降维技术哪家强
11.1 问题：高维数据可视化
11.2 代码实战：多种数据降维
11.3 专家解读：从线性降维到流形学习
第12章 矩阵分解和隐因子模型
12.1 矩阵分解和隐因子模型概述

《人工智能基础 数学知识》基于流行的Python语言，通俗易懂地介绍了入门人工智能领域必需必会的数学知识，旨在让读者轻松掌握并学以致用。
《人工智能基础 数学知识》分为线性代数、概率和优化等3篇，共21章，覆盖了人工智能领域中重要的数学知识点。本书写作风格通俗有趣，读者可在潜移默化中掌握这些数学知识以及相关的编程操作，并能从工程落地的角度深刻理解数学在其中的扮演角色和魅力。
《人工智能基础 数学知识》适合希望投身于人工智能领域且想有一番作为的人员阅读，还适合对人工智能领域背后的逻辑感兴趣的人员阅读。本书还可作为各大高校人工智能专业的参考用书。