書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
Python機(jī)器學(xué)習(xí)中的數(shù)學(xué)修煉

Python機(jī)器學(xué)習(xí)中的數(shù)學(xué)修煉

作者：左飛
出版社：清華大學(xué)出版社出版時(shí)間：2021-03-01
開本： 16開 頁數(shù)： 464
中 圖 價(jià):¥79.2(8.0折) 定價(jià)  ¥99.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

Python機(jī)器學(xué)習(xí)中的數(shù)學(xué)修煉 版權(quán)信息

Python機(jī)器學(xué)習(xí)中的數(shù)學(xué)修煉 本書特色

砥礪基礎(chǔ)、步步為營(yíng)點(diǎn)破公式背后的層層玄機(jī)循序漸進(jìn)、潤(rùn)物無聲為你打開一道通向機(jī)器學(xué)習(xí)世界的數(shù)學(xué)之門從數(shù)學(xué)到算法，助你一路披荊斬棘，克服學(xué)習(xí)中的重重關(guān)隘。 從原理到實(shí)踐，步步為營(yíng)，讓你知其然，更知其所以然。 從統(tǒng)計(jì)分析到機(jī)器學(xué)習(xí)，基于全新設(shè)計(jì)的學(xué)習(xí)路線圖，幫助讀者建立系統(tǒng)性的全局觀。

Python機(jī)器學(xué)習(xí)中的數(shù)學(xué)修煉 內(nèi)容簡(jiǎn)介

數(shù)學(xué)是機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的基礎(chǔ)，任何期望涉足相關(guān)領(lǐng)域并切實(shí)領(lǐng)悟具體技術(shù)與方法的人都無法繞過數(shù)學(xué)這一關(guān)。本書系統(tǒng)地整理并介紹了機(jī)器學(xué)習(xí)中所涉及的**數(shù)學(xué)基礎(chǔ)，這些都是筆者從浩如煙海的數(shù)學(xué)知識(shí)中精心萃取的，在學(xué)習(xí)和研究機(jī)器學(xué)習(xí)技術(shù)時(shí)所必須的內(nèi)容。具體包括微積分（主要是與z優(yōu)化內(nèi)容相關(guān)的部分）、概率論與數(shù)理統(tǒng)計(jì)、數(shù)值計(jì)算、信息論、凸優(yōu)化、泛函分析基礎(chǔ)與變分法，以及蒙特卡洛采樣等話題。為了幫助讀者加深理解并強(qiáng)化所學(xué)，本書還從上述數(shù)學(xué)基礎(chǔ)出發(fā)進(jìn)一步介紹了回歸、分類、聚類、流形學(xué)習(xí)、集成學(xué)習(xí)，以及概率圖模型等機(jī)器學(xué)習(xí)領(lǐng)域中的重要話題。其間，本書將引領(lǐng)讀者循序漸進(jìn)地拆解各路算法的核心設(shè)計(jì)思想及彼此間的關(guān)聯(lián)關(guān)系，并結(jié)合具體例子演示基于Python進(jìn)行實(shí)際問題求解的步驟與方法。真正做到理論與實(shí)踐并重，讓讀者知其然更知其所以然。本書可作為機(jī)器學(xué)習(xí)及相關(guān)課程的教學(xué)參考書，適用于高等院校人工智能、機(jī)器學(xué)習(xí)或數(shù)據(jù)挖掘等相關(guān)專業(yè)的師生研習(xí)之用，也可供從事計(jì)算機(jī)應(yīng)用（特別是數(shù)據(jù)科學(xué)相關(guān)專業(yè)）的研發(fā)人員參考。

Python機(jī)器學(xué)習(xí)中的數(shù)學(xué)修煉 目錄


目錄





第1章*優(yōu)化基礎(chǔ)


1.1泰勒公式


1.2黑塞矩陣


1.3正定與半正定矩陣


1.4凸函數(shù)與詹森不等式


1.4.1凸函數(shù)的概念


1.4.2詹森不等式及其證明


1.4.3詹森不等式的應(yīng)用


1.5泛函與抽象空間


1.5.1線性空間


1.5.2距離空間


1.5.3賦范空間


1.5.4巴拿赫空間


1.5.5內(nèi)積空間


1.5.6希爾伯特空間


1.6從泛函到變分法


1.6.1理解泛函的概念


1.6.2關(guān)于變分概念


1.6.3變分法的基本方程


1.6.4哈密頓原理


1.6.5等式約束下的變分


第2章概率論基礎(chǔ)


2.1概率論的基本概念


2.2隨機(jī)變量數(shù)字特征


2.2.1期望


2.2.2方差


2.2.3矩與矩母函數(shù)


2.2.4協(xié)方差與協(xié)方差矩陣


2.3基本概率分布模型


2.3.1離散概率分布


2.3.2連續(xù)概率分布


2.4概率論中的重要定理


2.4.1大數(shù)定理


2.4.2中心極限定理


2.5經(jīng)驗(yàn)分布函數(shù)














第3章統(tǒng)計(jì)推斷


3.1隨機(jī)采樣


3.2參數(shù)估計(jì)


3.2.1參數(shù)估計(jì)的基本原理


3.2.2單總體參數(shù)區(qū)間估計(jì)


3.2.3雙總體均值差的估計(jì)


3.2.4雙總體比例差的估計(jì)


3.3假設(shè)檢驗(yàn)


3.3.1基本概念


3.3.2兩類錯(cuò)誤


3.3.3均值檢驗(yàn)


3.4*大似然估計(jì)


3.4.1*大似然法的基本原理


3.4.2求*大似然估計(jì)的方法


第4章采樣方法


4.1蒙特卡洛法求定積分


4.1.1無意識(shí)統(tǒng)計(jì)學(xué)家法則


4.1.2投點(diǎn)法


4.1.3期望法


4.2蒙特卡洛采樣


4.2.1逆采樣


4.2.2博克斯穆勒變換


4.2.3拒絕采樣與自適應(yīng)拒絕采樣


4.3矩陣的極限與馬爾可夫鏈


4.4查普曼柯爾莫哥洛夫等式


4.5馬爾可夫鏈蒙特卡洛方法


4.5.1重要性采樣


4.5.2馬爾可夫鏈蒙特卡洛方法的基本概念


4.5.3米特羅波利斯黑斯廷斯算法


4.5.4吉布斯采樣


第5章信息論基礎(chǔ)


5.1信息論中的熵


5.2微分熵與KullbackLeibler散度


5.2.1微分熵


5.2.2微分熵與香農(nóng)熵的關(guān)系


5.2.3相對(duì)熵


5.3率失真函數(shù)


5.4香農(nóng)下邊界


第6章一元線性回歸


6.1回歸分析的性質(zhì)


6.2回歸的基本概念


6.2.1總體的回歸函數(shù)


6.2.2隨機(jī)干擾的意義


6.2.3樣本的回歸函數(shù)


6.3回歸模型的估計(jì)


6.3.1普通*小二乘法原理


6.3.2一元線性回歸的應(yīng)用


6.3.3經(jīng)典模型的基本假定


6.3.4總體方差的無偏估計(jì)


6.3.5估計(jì)參數(shù)的概率分布


6.4正態(tài)條件下的模型檢驗(yàn)


6.4.1擬合優(yōu)度的檢驗(yàn)


6.4.2整體性假定檢驗(yàn)


6.4.3單個(gè)參數(shù)的檢驗(yàn)


6.5一元線性回歸模型預(yù)測(cè)


6.5.1點(diǎn)預(yù)測(cè)


6.5.2區(qū)間預(yù)測(cè)


第7章多元線性回歸


7.1多元線性回歸模型


7.2多元回歸模型估計(jì)


7.2.1*小二乘估計(jì)量


7.2.2多元回歸實(shí)例


7.2.3總體參數(shù)估計(jì)量


7.3從線性代數(shù)角度理解*小二乘


7.3.1*小二乘問題的通解


7.3.2*小二乘問題的計(jì)算


7.4多元回歸模型檢驗(yàn)


7.4.1線性回歸的顯著性


7.4.2回歸系數(shù)的顯著性


7.5多元線性回歸模型預(yù)測(cè)


7.6格蘭杰因果關(guān)系檢驗(yàn)


第8章線性回歸進(jìn)階


8.1更多回歸模型函數(shù)形式


8.1.1雙對(duì)數(shù)模型以及生產(chǎn)函數(shù)


8.1.2倒數(shù)模型與菲利普斯曲線


8.1.3多項(xiàng)式回歸模型及其分析


8.2回歸模型的評(píng)估與選擇


8.2.1嵌套模型選擇


8.2.2赤池信息準(zhǔn)則


8.3現(xiàn)代回歸方法的新進(jìn)展


8.3.1多重共線性


8.3.2從嶺回歸到LASSO


8.3.3正則化與沒有免費(fèi)午餐原理


8.3.4彈性網(wǎng)絡(luò)


8.3.5RANSAC


第9章邏輯回歸與*大熵模型


9.1邏輯回歸


9.2牛頓法解Logistic回歸


9.3應(yīng)用實(shí)例： 二分類問題


9.3.1數(shù)據(jù)初探


9.3.2建模


9.4多元邏輯回歸


9.5*大熵模型


9.5.1*大熵原理


9.5.2約束條件


9.5.3模型推導(dǎo)


9.5.4極大似然估計(jì)


9.6應(yīng)用實(shí)例： 多分類問題


9.6.1數(shù)據(jù)初探


9.6.2建模


第10章感知機(jī)與神經(jīng)網(wǎng)絡(luò)


10.1從感知機(jī)開始


10.1.1感知機(jī)模型


10.1.2感知機(jī)學(xué)習(xí)


10.1.3多層感知機(jī)


10.1.4感知機(jī)應(yīng)用示例


10.2基本神經(jīng)網(wǎng)絡(luò)


10.2.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)


10.2.2符號(hào)標(biāo)記說明


10.2.3后向傳播算法


10.3神經(jīng)網(wǎng)絡(luò)實(shí)踐


10.3.1建模


10.3.2Softmax與神經(jīng)網(wǎng)絡(luò)


第11章支持向量機(jī)與核方法


11.1線性可分的支持向量機(jī)


11.1.1函數(shù)距離與幾何距離


11.1.2*大間隔分類器


11.1.3拉格朗日乘數(shù)法


11.1.4對(duì)偶問題的求解


11.2松弛因子與軟間隔模型


11.3非線性支持向量機(jī)方法


11.3.1從更高維度上分類


11.3.2非線性核函數(shù)方法


11.3.3機(jī)器學(xué)習(xí)中的核方法


11.3.4默瑟定理


11.4對(duì)數(shù)據(jù)進(jìn)行分類的實(shí)踐


11.4.1數(shù)據(jù)分析


11.4.2線性可分的例子


11.4.3線性不可分的例子


第12章決策樹


12.1決策樹基礎(chǔ)


12.1.1Hunt算法


12.1.2基尼測(cè)度與劃分


12.1.3信息熵與信息增益


12.1.4分類誤差


12.2決策樹進(jìn)階


12.2.1ID3算法


12.2.2C4.5算法


12.3分類回歸樹


12.4決策樹剪枝


12.5決策樹應(yīng)用實(shí)例


第13章集成學(xué)習(xí)


13.1集成學(xué)習(xí)的理論基礎(chǔ)


13.2Bootstrap方法


13.3Bagging與隨機(jī)森林


13.3.1算法原理


13.3.2應(yīng)用實(shí)例


13.4Boosting與AdaBoost


13.4.1算法原理


13.4.2應(yīng)用實(shí)例


13.5梯度提升


13.5.1梯度提升樹與回歸


13.5.2梯度提升樹與分類


13.5.3梯度提升樹的原理推導(dǎo)


第14章聚類分析


14.1聚類的概念


14.2k均值算法


14.2.1距離度量


14.2.2算法描述


14.2.3應(yīng)用實(shí)例——圖像的色彩量化


14.3*大期望算法


14.3.1算法原理


14.3.2收斂探討


14.4高斯混合模型


14.4.1模型推導(dǎo)


14.4.2應(yīng)用實(shí)例


14.5密度聚類


14.5.1DBSCAN算法


14.5.2應(yīng)用實(shí)例


14.6層次聚類


14.6.1AGNES算法


14.6.2應(yīng)用實(shí)例


14.7譜聚類


14.7.1基本符號(hào)


14.7.2拉普拉斯矩陣


14.7.3相似圖


14.7.4譜聚類切圖


14.7.5算法描述


14.7.6應(yīng)用實(shí)例


第15章矩陣分解、降維與流形學(xué)習(xí)


15.1主成分分析


15.2奇異值分解


15.2.1一個(gè)基本的認(rèn)識(shí)


15.2.2為什么可以做SVD


15.2.3SVD與PCA的關(guān)系


15.2.4應(yīng)用示例與矩陣偽逆


15.3多維標(biāo)度法


第16章貝葉斯定理及其應(yīng)用


16.1貝葉斯推斷中的基本概念


16.1.1貝葉斯公式與邊緣分布


16.1.2先驗(yàn)概率與后驗(yàn)概率


16.1.3共軛分布


16.2樸素貝葉斯分類器原理


16.3貝葉斯網(wǎng)絡(luò)


16.3.1基本結(jié)構(gòu)單元


16.3.2模型推理


16.4貝葉斯網(wǎng)絡(luò)的應(yīng)用示例


16.5隱馬爾可夫模型


16.5.1隨機(jī)過程


16.5.2從時(shí)間角度考慮不確定性


16.5.3前向算法


16.5.4維特比算法


附錄A數(shù)學(xué)傳奇


參考文獻(xiàn)



展開全部

Python機(jī)器學(xué)習(xí)中的數(shù)學(xué)修煉 作者簡(jiǎn)介

左飛 博士，技術(shù)作家、譯者。著作涉及人工智能、圖像處理和編程語言等多個(gè)領(lǐng)域，其中兩部作品的繁體版在中國(guó)臺(tái)灣地區(qū)發(fā)行。同時(shí)，他還翻譯出版了包括《編碼》在內(nèi)的多部經(jīng)典著作。曾榮獲“最受讀者喜愛的IT圖書作譯者獎(jiǎng)”。他撰寫的技術(shù)博客（https://baimafujinji.blog.csdn.net/）非常受歡迎，累計(jì)擁有近500萬的訪問量。

商品評(píng)論(0條)
暫無評(píng)論……
書友推薦
返回頂部
中圖網(wǎng)
在線客服