Machine Learning: A First Course for Engineers and Scientists — 机器学习（工程师与科学家入门）

来源：sml-book-draft-latest.pdf，作者 Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, Thomas B. Schön（Cambridge University Press, 2026）。 说明：原书 348 页 > 40 页，按规则仅做结构化解读，不发布原文全文。

结构化解读

书籍概况

《Machine Learning: A First Course for Engineers and Scientists》是剑桥大学出版社 2026 年出版的一本面向工程师与科学家的机器学习入门教材（作者来自乌普萨拉大学等，pre-publication 版本可免费查看下载）。它从概率与统计视角系统铺开机器学习，强调直觉与严谨并重，而非堆砌调参技巧。

内容结构（目录）

从原书目录可见其完整脉络：

1. Introduction
2. Supervised Learning: A First Approach
3. （基础铺垫）
4. Understanding, Evaluating, and Improving Performance
5. Learning Parametric Models
6. Neural Networks and Deep Learning
7. Ensemble Methods: Bagging and Boosting
8. Non-linear Input Transformations and Kernels
9. The Bayesian Approach and Gaussian Processes
10. Generative Models and Learning from Unlabelled Data
11. User Aspects of Machine Learning
12. Ethics in Machine Learning

核心主题与看点

• 概率视角贯穿：从监督学习到贝叶斯方法与高斯过程，统一在「不确定性建模」框架下。
• 工程导向：面向工程师/科学家，重可解释性、评估与改进，而非黑箱调参。
• 覆盖现代主线：神经网络与深度学习、集成方法（bagging/boosting）、核方法、生成模型一应俱全。
• 责任与伦理：专门讨论用户维度与机器学习伦理，契合当下可信 AI 议题。

适合谁读

• 有工程/科学背景、希望系统建立 ML 基础的学习者；
• 想从概率视角（而非纯神经网络）理解机器学习的读者；
• 关注模型评估、可信度与伦理的实践者。

与本站连接

• 与本站 AI / 大模型 主线直接相关：本书的「参数化模型、神经网络、集成、贝叶斯」正是当前大模型的方法论底座。
• 与「模型正被刻意变笨（用知识换推理）」「MoE」等文互补：理解模型的能力边界，需要先懂这些基础学习范式。

获取方式

预发布版本免费下载：https://smlbook.org/book/sml-book-draft-latest.pdf