一本 503 页的 Chapman and Hall/CRC 教材,第一版全文 PDF 免费下载——条件不是付费,而是要注明来源与原网页位置。配套还有奇数题答案和 GitHub 上的 Python 代码。对想补数学底子的机器学习学习者来说,这是少数「免费且配套完整」的正规教材。
书名:Data Science and Machine Learning: Mathematical and Statistical Methods,圈内简称 DSML。第一版作者是
D. P. Kroese、
Z. I. Botev、
T. Taimre、
R. Vaisman,2019 年出版;2025 年的第二版作者顺序变为 Botev、Kroese、Taimre,正文需另购。
书里讲什么:九章正文,四个附录
| 章 | 标题 | 起始页 |
| 1 | Importing, Summarizing, and Visualizing Data | 1 |
| 2 | Statistical Learning | 19 |
| 3 | Monte Carlo Methods | 67 |
| 4 | Unsupervised Learning | 121 |
| 5 | Regression | 167 |
| 6 | Regularization and Kernel Methods | 215 |
| 7 | Classification | 251 |
| 8 | Decision Trees and Ensemble Methods | 287 |
| 9 | Deep Learning | 323 |
| A | Linear Algebra and Functional Analysis | 355 |
| B | Multivariate Differentiation and Optimization | 397 |
| C | Probability and Statistics | 421 |
| D | Python Primer | 463 |
正文到第 9 章末页约 354 页,附录 355 至 495 页,之后是参考文献与索引(503 页)。看得出来作者把「数学前置」当真事做:线性代数与泛函分析、多元微分与优化、概率统计三个附录占了近 140 页。
免费的是哪一版,条件写得很清楚
作者页的原话是:如果用于教育目的或自学,欢迎免费下载第一版 PDF,前提是对来源及其原始位置(即该网页)给出恰当致谢。原文:
"If you wish to use this book for educational purposes or self-study, you are welcome to download the PDF of the first edition free of charge, provided that you give due acknowledgement to the source and its original location (this website)."
这条许可的边界也要讲清:免费范围只是第一版;第二版正文不免费。用在课程、读书会、内部培训里都符合「教育目的」,但对外发布资料包、二次分发时,致谢必须带上作者页地址。
配套资源有六样
| 资源 | 内容 | 位置 |
| 第一版 PDF(约 20 MB) | 更新版全文 | 作者页 |
| 第一版原始 PDF | 初版排版 | 作者页 |
| 奇数题答案 | 习题单数题解答 | GitHub(DSML-book 组织) |
| Python 代码 | 书中算法的实现 | GitHub(DSML-book 组织) |
| 勘误 | 第一版与第二版各一份 | 作者页与 GitHub |
| BibTeX | 引用条目 | 作者页 |
目录、书评与作者简介也都在同一页。做题的人最容易忽略的是勘误——教材里的公式与代码错漏都记在这两份文件里,先看勘误再照抄公式,能省掉很多调试时间。
第二版多了什么:决定选哪版的关键
作者页列出的第二版改动集中在五处:蒙特卡洛一章新增「再生拒绝采样」(regenerative rejection sampling),定位是 MCMC 的更简单替代;无监督学习加入两个多维扩散核密度估计器,以及用于最优数据驱动带宽选择的带宽扰动匹配方法;回归部分新增局部线性回归的自动带宽选择;新增一章讲高维模型选择的 klimax 方法(特征选择与收缩);新增强化学习一章,覆盖策略迭代、时序差分学习与策略梯度,并配 Python 代码。附录也做了扩充,线性代数、泛函分析与优化三块加了坐标下降法与 Majorization-Minimization。
一句话给选择建议:只学统计学习主干、预算紧,用第一版免费 PDF 足够;要做强化学习、高维变量选择或核密度估计,那些内容只在第二版。
这本书的学习路径,按目录排最省时间
前置不够的,先补附录:C(概率与统计)和 A(线性代数与泛函分析)就是给转专业读者准备的;优化部分在 B。之后按 1 → 2 → 5 → 6 → 7 走,是「数据整理—统计学习框架—回归—正则与核方法—分类」的主干。第 3 章蒙特卡洛是这本书的特色,也是它区别于一般机器学习教材的地方;第 4 章无监督与第 8 章树模型与集成可以按需插读。
第 9 章深度学习只有一章,别指望它替代专门的深度学习教材。附录 D 的 Python 入门配合 GitHub 代码,适合边读边跑;奇数题答案只用于自检,不适合当标准答案背诵。
读之前值得知道的五件事
第一,版本时差。第一版是 2019 年,深度学习那一章是七年前的写法;强化学习、klimax 高维选择、扩散核密度估计这些内容第一版没有。
第二,免费范围到第一版为止,且带致谢条件。用于教学与自学无碍,但对外再分发时要按作者要求标注来源与原网页。
第三,定位是「数学与统计」。推导密度高,代码是配套而不是主线;想要「调包实战」的读者会觉得前几章慢。
第四,语言版本。作者页列出日文版(东京化学同人)与简体中文版(机械工业出版社/华章)。想读中文可以按这两个版本去查,但中文版与第一版的章节对应关系要以实际版本为准。
第五,引用方式现成。作者页提供 BibTeX 文件,写论文时直接引用,比自己拼作者与年份可靠。
────────────────
教材首页入口、免费许可的英文原文与适用边界、九章四附录的完整页码表、六样配套资源的直达地址、第二版的新增内容原文,以及 BibTeX 引用条目,都放在下面,回复本帖可见。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金 说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。 |


雷达卡


京公网安备 11010802022788号







