一本教材的配套解答单独成册，318 页，11 章，每道题都给完整推导和数值，而不是只给最终答案。这就是 MIT Press 为《Fundamentals of Machine Learning for Predictive Data Analytics》第二版出的 Instructors Manual，出版社在书页上以 Selected Solutions 名义公开。

教材作者是 John
D. Kelleher、Brian Mac Namee、Aoife D'Arcy，第二版副标题 Algorithms, Worked Examples, and Case Studies。解答册扉页写明 Instructors Manual，与教材同一套章节编号。

第一部分 机器学习与数据分析入门：第 1 章 机器学习与预测数据分析（解答起第 3 页）、第 2 章 从数据到洞察到决策（9 页）、第 3 章 数据探索（27 页）。

第二部分 预测数据分析：第 4 章 基于信息的学习（71 页）、第 5 章 基于相似性的学习（99 页）、第 6 章 基于概率的学习（119 页）、第 7 章 基于误差的学习（141 页）、第 8 章 深度学习（175 页）、第 9 章 评估（235 页）。

第三部分 预测之外：第 10 章 无监督学习（273 页）、第 11 章 强化学习（291 页）。

前面还有一节 Notation（vii 页），把全书用的符号体系列了一遍：数据集怎么记、向量怎么记、单个特征的取值怎么索引、概率事件怎么用大小写区分、二值特征的真假怎么表示。这一节值得先看，因为解答里到处在用这套符号。

第 8 章深度学习占了 60 页，是全书最厚的一章；第 9 章评估 38 页；第 4 到 7 章各 20 到 34 页。篇幅分布本身说明了教材的重心。

以第 7 章基于误差的学习为例。题目给出一组查询实例，要求用逻辑回归模型算输出。解答先把模型写成显式形式：

（PDF 里加号、减号、乘号的字形有粘连，此处按数式还原，代入验算得 5.46。）

然后列一张表，逐实例给出预测值 Mw(di)：0.985、0.033、0.639、0.013、0.999、0.478、0.004。接着按平方误差损失 (ti  Mw(di)) 逐行算，得到 0.970、0.001、0.130、0.000、0.000、0.272、0.000。再换成交叉熵损失，把公式写出来，再逐行算得 4.200 等值，最后对比两种损失在同一个实例上的差异。

这就是这份手册的典型写法：公式、代入、逐行结果、对比，四步齐全。对自学者来说，这比自己算完只有一个总数、不知道中间哪步错了要有用得多。

第 2 章的解答还展示了另一种价值。有道题要求为一家石油公司设计分析方案，解答不只给方案，还讨论了数据可得性的现实问题：航拍照片不能直接当描述特征用，得先从图像里提特征（比如区域的平均颜色值、颜色分布）；地图数据同理；钻井数据往往跨十年二十年，早期数据的测量口径与近年不同。这些是教材正文里一句话带过、解答里展开的内容。

它不是教材。 没有章节正文、没有案例讲解、没有算法推导。脱离教材单独看，只能看到"某题答案是某值"，看不出为什么这么建模。

它是 Selected Solutions，不是全部题目。 文件名就叫 selected_solutions，说明只公开了一部分。教材每章末尾的练习题并非题题有解。

教师资料是另一套。 Instructors Manual 通常还包含讲义、题库、数据集与作业安排，出版社一般通过教师通道单独提供。这份公开 PDF 只是其中的解答部分。

教材本身要买。 这本解答免费公开，不等于教材免费。MIT Press 的教材需按正常渠道购买，把解答当"免费教材"是常见误解。

先做题再看答案。 解答写得细，直接看会形成"我都懂了"的错觉。有效用法是自己先算，卡住时只看对应那一步。

符号体系要先熟悉。 手册开头那节 Notation 定义了几十种记号，不熟悉会在读解答时把下标和上标搞混，尤其是概率章的
i、大小写区分与二值特征的真假表示。

版权归 MIT Press。 PDF 内没有单独的许可声明，公开可下载不等于可以转载或二次分发。教学使用时给链接比传文件稳妥。

文末的论坛币区放了 PDF 直达链接、11 章页码对照、出版社页面入口，以及这份手册与教材、教师资料的边界说明。

需要 PDF 入口、11 章页码对照和使用建议的，回复后可见。