机器学习是一门将人类知识和推理过程提炼为一种适合机器和工程自动化系统自动处理的过程的学科。随着机器学习基于应用变得越来越普遍，以及相关的软件包也变得越来越容易使用，底层的技术细节被抽象出来并对使用者不可见，这是很自然且也是我们所期待的。然而，这也带来了一种危险，技术使用者可能不知道算法数学基础，从而意识不到机器学习算法的局限性。
对于想要了解机器学习算法背后的技术细节的研究者而言，目前面临着一系列问题，他们需要了解很多先验知识：
编程语言和数据分析工具
大规模计算和相关框架
数学和统计学以及机器学习算法是如何基于这些知识构建的
在大学里，机器学习入门课程往往在课程的早期阶段就涵盖了其中的一些基础知识。由于历史原因，机器学习的课程往往在计算机科学系教授，这些学生通常接受前两个知识领域的学习，但数学和统计学方面的学习较少。
当前的机器学习教科书主要关注机器学习算法和方法，并假设读者已经学习过数学和统计学方面知识。因此，这些书只花了一到两章讲讲一些数学基础，要么在书的开头，要么作为附录。我们发现许多人想要深入了解的机器学习方法的数学基础，他们需要艰难地收集、学习分散的机器学习数学基础知识。在大学教过本科和研究生课程后，我们发现高中数学和阅读标准机器学习教科书所需的数学水平之间的差距对许多人来说太大了。
这本书突出了基本机器学习概念的数学基础，将所有的知识点整理到一起，希望可以解决机器学习算法应用和相关数学基础知识之间的差异。
本书目录
