数学是机器学习和数据科学的基础，任何期望涉足相关领域并切实领悟具体技术与方法的人都无法绕过数学这一关。本书系统地整理并介绍了机器学习中所涉及的必备数学基础，具体包括概率论与数理统计、微积分(主要是与最优化内容相关的部分)、凸优化及拉格朗日乘数法、数值计算、泛函分析基础(例如核方法赖以建立的希尔伯特空间理论)以及蒙特卡洛采样(拒绝采样、自适应拒绝采样、重要性采样、吉布斯采样和马尔可夫链蒙特卡洛)等。 为了帮助读者强化所学，本书还从上述数学基础出发，介绍了回归、分类(感知机、逻辑回归、朴素贝叶斯、决策树、支持向量机、人工神经网络等)、聚类、降维与流形学习、集成学习以及概率图模型等机器学习中的重要话题。 本书既可作为机器学习及相关课程的教学参考书，适合高等院校人工智能、机器学习或数据挖掘等相关专业的师生研习之用，也可供从事计算机应用(特别是数据科学相关专业)的研发人员参考。