本书先从概率论的基础讲起，然后逐步深入到概率论在机器学习中的应用，最后结合机器学习实战案例，重点介绍了概率论的概念及其在机器学习中的应用。通过本书读者不但可以系统地学习常见概率的相关知识，还能对机器学习开发有更深入的理解。
本书共10章，涵盖的主要内容：机器学习概述；为什么机器学习需要概率论；概率的定义；集合和事件；独立性；概率的性质；常见的计算概率方法；离散型和连续型概率分布；离散型和连续型概率分布的期望值、方差与标准差；几种常见的离散型和连续型概率分布；条件概率；联合概率；边缘概率；贝叶斯理论；随机过程简介；马尔可夫链；隐马尔可夫模型；高斯过程；常见的机器学习Python库；机器学习分类算法和回归算法简介；概率论在分类算法和回归算法中的应用；常见的分类算法和回归算法；强化学习简介；有趣的机器人游戏；GAN；图片风格转换
本书内容通俗易懂，案例丰富，实用性强，不仅适合概率论的入门读者和进阶读者阅读，也适合机器学习从业者、人工智能算法专家等其他人工智能爱好者阅读。另外，本书也可以作为相关培训机构的教材。

朱宁，拥有丰富的AI研究背景及实战经验，曾在华为任职AI算法工程师，并在微软担任资深科学家，精通机器学习、深度学习及数据分析的理论与实践。关注自然语言处理领域的前沿研究，尤其关注ChatGPT技术的发展，成功将其应用于职场，不断提升工作效率和晋升力。在人工智能与职场技能交叉的领域，为AI项目创造了显著的成果，全面展现了职场中AI的可能性和潜力。

第1章 机器学习概述
1.1 机器学习简介
1.1.1 监督学习
1.1.2 无监督学习
1.1.3 强化学习
1.2 机器学习和人工智能的发展史
1.2.1 逻辑推理时代
1.2.2 专家系统时代
1.2.3 机器学习和深度学习时代
1.3 深度学习
1.4 机器学习基础——概率论
1.5 常用的机器学习Python库
1.5.1 NumPy
代码1.1 比较NumPy和原生态Python：Compare_Numpy_and_Pure_Python.py
1.5.2 pandas
代码1.2 pandas示例代码：Demo_for_Pandas.py
1.5.3 matplotlib
代码1.3 matplotlib示例代码：Demo_for_Matplotlib.py
1.5.4 PyTorch
代码1.4 PyTorch示例代码：Demo_for_Pytorch.py
1.5.5 TensorFlow
代码1.5 TensorFlow示例代码：Fit Data_with_Tensorflow.py
1.5.6 SKlearn
代码1.6 SKlearn示例代码：Demo_for_SKLearn.py
1.5.7 Keras
代码1.7 Keras示例代码：Demo for Keras.py
1.5.8 习题
1.6 温故而知新
第2章 概率的基本概念
2.1 概率的定义
2.2 集合和事件
2.2.1 集合和子集
2.2.2 集合的相互作用
2.2.3 集合的运算
2.2.4 事件
2.2.5 习题
2.3 独立性
2.3.1 独立性的定义
2.3.2 独立性的性质
2.3.3 多个事件的独立性
代码2.1 扑克牌抽牌独立性：Poker Indepent.py
2.3.4 习题
2.4 概率的取值范围和运算
2.4.1 概率的取值范围
2.4.2 概率的运算
2.4.3 习题
2.5 常见的计算概率的方法
2.5.1 穷举法
2.5.2 频率替代法
2.5.3 几何法
代码2.2 模拟射靶概率：Simulation Shoot Probability.py
2.5.4 习题
2.6 温故而知新
第3章 离散型概率分布
3.1 离散型概率分布简介
3.1.1 离散型概率分布的定义
3.1.2 离散型概率分布的性质
3.1.3 离散型概率分布的概率质量函数
3.1.4 离散型概率分布的累积分布函数
3.1.5 习题
3.2 离散型概率分布的期望值
3.2.1 离散型概率分布的期望值定义
……
第4章 连续型概率分布
第5章 贝叶斯理论
第6章 随机过程
第7章 概率论与机器学习分类算法
第8章 概率论与机器学习回归算法
第9章 实战：强化学习
第10章 实战：GAN