《机器学习从线性回归到大模型》以回归为主线，系统介绍统计学、机器学习与深度学习中最常用的分类与回归方法，力图在大数据与人工智能背景下，突破传统统计建模的局限，构建一个融合多学科视角的现代回归分析框架。
全书覆盖线性回归、岭回归、Lasso、Logistic回归等经典线性模型，决策树、随机森林、GBDT、XGBoost等集成方法，BP神经网络、卷积神经网络、循环神经网络等深度学习模型，以及基于Transformer的大语言模型（如BERT和GPT）。 此外，《机器学习从线性回归到大模型》还介绍因果推断方法、模型可解释性工具（如SHAP）与迁移学习等前沿技术，强调跨学科融合，关注算法应用场景. 书中穿插算法发展史，展现行业应用，聚焦人工智能在中国的发展脉络，增强学生的责任意识与现实关怀。
《机器学习从线性回归到大模型》配套案例涵盖农业、医学等领域，以场景建模为理念，展现模型与国家、行业需求紧密结合的完整建模流程。 配套习题涵盖风控、幸福感预测、图像识别、视频生成等主题，具有实践性和挑战性，有助于培养实战能力。
《机器学习从线性回归到大模型》算法基于Python实现，深度学习部分使用TensorFlow与Keras框架，配套提供案例和习题数据集、案例源代码，便于教学和自学使用。
《机器学习从线性回归到大模型》适用于统计、数据科学、人工智能、经济管理等专业的本科生与研究生，可作为回归分析统计模型机器学习等课程教材，也可作为人工智能通识教材使用，同时可供数据分析相关从业者参考。
本书以回归为主线，系统整合统计学与机器学习的核心方法，从经典线性模型延伸至大语言模型，构建跨学科的知识体系。通过原理讲解、代码实现与真实案例结合，帮助读者掌握建模思维与实践能力，适合多学科背景学习者使用，是一本兼具深度与广度的现代回归分析指南。
董岩
----------------------------
中国科学院数学与系统科学研究院博士，现任北京理工大学数学与统计学院讲师，硕士生导师。研究方向为回归建模、机器学习。负责系统可靠性等研究课题。有多年一线教学经验，主讲北京理工大学一流本科专业本科专业统计学核心课程线性统计模型，其他开设课程包括：机器学习回归方法、概率与数理统计、多元分析、SPSS统计软件分析等。著有数学建模教材《数学建模方法进阶》(合著)。曾多次指导全国大学生数学建模竞赛、美国大学生数学建模竞赛并获奖。
目 录
第1章 经典线性模型
1.1 监督学习
1.2 分类及应用场景
1.3 回归及应用场景
1.4 多元线性回归模型
1.5 正则化线性回归模型
1.6 Logistic 回归模型
第2章 基于决策树的模型
2.1 决策树
2.2 随机森林
2.3 因果森林
2.4 梯度提升决策树
2.5 极端梯度提升
2.6 轻量梯度提升机
2.7 类别特征梯度提升
第3章 神经网络
3.1 人工神经网络发展史
3.2 生物神经元与人工神经元
3.3 激活函数
3.4 多层感知器
3.5 梯度下降优化算法
第4章 深度学习
4.1 卷积神经网络
4.2 LeNet-5 网络
4.3 AlexNet 网络
4.4 批量归一化
4.5 残差网络
4.6 语言模型与 Word2Vec 词向量
4.7 循环神经网络
第5章 大语言模型
5.1 Transformer 模型
5.2 BERT 模型
5.3 GPT 模型
5.4 GPT-2 模型
5.5 GPT-3 模型
5.6 ChatGPT 模型
第6章 案例分析
6.1 中国粮食产量影响因素分析
6.2 心脏病数据分析
6.3 深度学习在阿尔茨海默病识别中的应用
书单推荐
