《機器學習從線性回歸到大模型》以回歸為主線，系統(tǒng)介紹統(tǒng)計學、機器學習與深度學習中最常用的分類與回歸方法，力圖在大數據與人工智能背景下，突破傳統(tǒng)統(tǒng)計建模的局限，構建一個融合多學科視角的現代回歸分析框架。
全書覆蓋線性回歸、嶺回歸、Lasso、Logistic回歸等經典線性模型，決策樹、隨機森林、GBDT、XGBoost等集成方法，BP神經網絡、卷積神經網絡、循環(huán)神經網絡等深度學習模型，以及基于Transformer的大語言模型（如BERT和GPT）。 此外，《機器學習從線性回歸到大模型》還介紹因果推斷方法、模型可解釋性工具（如SHAP）與遷移學習等前沿技術，強調跨學科融合，關注算法應用場景. 書中穿插算法發(fā)展史，展現行業(yè)應用，聚焦人工智能在中國的發(fā)展脈絡，增強學生的責任意識與現實關懷。
《機器學習從線性回歸到大模型》配套案例涵蓋農業(yè)、醫(yī)學等領域，以場景建模為理念，展現模型與國家、行業(yè)需求緊密結合的完整建模流程。 配套習題涵蓋風控、幸福感預測、圖像識別、視頻生成等主題，具有實踐性和挑戰(zhàn)性，有助于培養(yǎng)實戰(zhàn)能力。
《機器學習從線性回歸到大模型》算法基于Python實現，深度學習部分使用TensorFlow與Keras框架，配套提供案例和習題數據集、案例源代碼，便于教學和自學使用。
《機器學習從線性回歸到大模型》適用于統(tǒng)計、數據科學、人工智能、經濟管理等專業(yè)的本科生與研究生，可作為回歸分析統(tǒng)計模型機器學習等課程教材，也可作為人工智能通識教材使用，同時可供數據分析相關從業(yè)者參考。