机器学中的数学修炼 人工智能
"步步为营，砥砺机器学中的数学基础 循序渐进，知其然更要注重知其所以然。 全面详实，抽象理论与应用实践相结合 拨云开雾，点破公式背后的奥秘与玄机 "
￥ 58.55 6.6折 ￥ 89 全新
库存3件
作者作者
出版社清华大学出版社
ISBN9787302538653
出版时间2020-07
版次1
装帧平装
开本16开
页数420页
字数653千字
定价89元
货号xhwx_1202106978
上书时间2021-12-10
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
主编：
"本书可作为机器学及相关课程的教学参书，适用于高等院校人工智能、机器学或数据挖掘等相关专业的师生研之用，也可供从事计算机应用（特别是数据科学相关专业）的研发人员参。本书全面系统地介绍了机器学技术中所涉及的重要数学基础，内容丰富，覆盖面广。打牢数学基础，为深入学与研究提供充足弹药与粮草，助你整装远航，直挂云帆。体系脉络清晰，从千头万绪中筛选出很重要的理论要点，助你剥丝抽茧，击破核心。紧跟前沿话题，配套提供完善的网络资源支持，助你轻松学，牢固掌握。"
目录：
章概率论基础
1.1概率论的基本概念
1.2变量数字特征
1.2.1期望
1.2.2方差
1.2.3矩与矩母函数
1.2.4协方差与协方差矩阵
1.3基本概率分布模型
1.3.1离散概率分布
1.3.2连续概率分布
1.3.3在r语言中使用内嵌分布
1.4概率论中的重要定理
1.4.1大数定理
1.4.2中心极限定理
1.5经验分布函数
第2章优化基础
2.1泰勒公式
2.2里塞矩阵
2.3凸函数与詹森不等式
2.3.1凸函数的概念
2.3.2詹森不等式及其证明
2.3.3詹森不等式的应用
2.4泛函与抽象空间
2.4.1线空间
2.4.2距离空间
2.4.3赋范空间
2.4.4巴拿赫空间
2.4.5内积空间
2.4.6希尔伯特空间
2.5从泛函到变分
2.5.1理解泛函的概念
2.5.2关于变分概念
2.5.3变分的基本方程
2.5.4哈密顿
2.5.5等式约束下的变分
第3章统计推断
3.1采样
3.2参数估计
3.2.1参数估计的基本
3.2.2单体参数区间估计
3.2.3双体均值差的估计
3.2.4双体比例差的估计
3.3设检验
3.3.1基本概念
3.3.2两类错误
3.3.3均值检验
3.4优选似然估计
3.4.1优选似然的基本
3.4.2求优选似然估计的方
3.4.3优选似然估计应用举例
第4章采样方
4.1蒙特卡洛求定积分
4.1.1无意识统计学家则
4.1.2投点
4.1.3期望
4.2蒙特卡洛采样
4.2.1逆采样
4.2.2博克斯-穆勒变换
4.2.3拒绝采样与自适应拒绝采样
4.3矩阵的极限与马尔可夫链
4.4查普曼-柯尔莫哥洛夫等式
4.5马尔可夫链蒙特卡洛方
4.5.1重要采样
4.5.2马尔可夫链蒙特卡洛方的基本概念
4.5.3米特罗波利斯黑斯廷斯算
4.5.4吉布斯采样
第5章一元线回归
5.1回归分析的质
5.2回归的基本概念
5.2.1体的回归函数
5.2.2干扰的意义
5.2.3样本的回归函数
5.3回归模型的估计
5.3.1普通小二乘
5.3.2一元线回归的应用
5.3.3经典模型的基本定
5.3.4体方差的无偏估计
5.3.5估计参数的概率分布
5.4正态条件下的模型检验
5.4.1拟合优度的检验
5.4.2整体定检验
5.4.3单个参数的检验
5.5一元线回归模型预测
5.5.1点预测
5.5.2区间预测
第6章多元线回归
6.1多元线回归模型
6.2多元回归模型估计
6.2.1小二乘估计量
6.2.2多元回归实例
6.2.3体参数估计量
6.3从线代数角度理解小二乘
6.3.1小二乘问题的通解
6.3.2小二乘问题的计算
6.4多元回归模型检验
6.4.1线回归的显著
6.4.2回归系数的显著
6.5多元线回归模型预测
6.6格兰杰因果关系检验
第7章线回归
7.1更多回归模型函数形式
7.1.1双对数模型以及生产函数
7.1.2倒数模型与斯曲线
7.1.3多项式回归模型及其分析
7.2回归模型的评估与选择
7.2.1嵌套模型选择
7.2.2赤池信息准则
7.2.3逐步回归方
7.3现代回归方的新进展
7.3.1多重共线
7.3.2岭回归
7.3.3从岭回归到lasso
7.3.4正则化
第8章逻辑回归与优选熵模型
8.1逻辑回归
8.2牛顿解logistic回归
8.3多元逻辑回归
8.4优选熵模型
8.4.1优选熵
8.4.2约束条件
8.4.3模型推导
8.4.4优选熵模型的优选似然估计
第9章聚类分析
9.1聚类的概念
9.2k均值算
9.2.1距离度量
9.2.2算描述
9.2.3应用实例
9.3优选期望算
9.3.1算
9.3.2收敛探讨
9.4高斯混合模型
9.4.1模型推导
9.4.2应用实例
9.5密度聚类与dbscan算
0章支持向量机
10.1线可分的支持向量机
10.1.1函数距离与几何距离
10.1.2优选间隔分类器
10.1.3拉格朗乘数
10.1.4对偶问题的求解
10.2松弛因子与软间隔模型
10.3非线支持向量机方
10.3.1从更高维度上分类
10.3.2非线核函数方
10.3.3机器学中的核方
10.3.4默瑟定理
10.4对数据进行分类的实践
10.4.1基本建模函数
10.4.2分析建模结果
1章贝叶斯推断与概率图模型
11.1贝叶斯公式与边缘分布
11.2贝叶斯推断中的重要概念
11.2.1先验概率与后验概率
11.2.2共轭分布
11.3朴素贝叶斯分类器
11.4贝叶斯网络
11.4.1基本结构单元
11.4.2模型推理
11.5贝叶斯推断的应用示例
11.6隐马尔可夫模型
11.6.1过程
11.6.2从时间角度虑不确定
11.6.3前向算
11.6.4维特比算
2章降维与流形学
12.1主成分分析
12.2奇异值分解
12.2.1一个基本的认识
12.2.2为什么可以做svd
12.2.3svd与pca的关系
12.2.4应用示例与矩阵伪逆
12.3多维标度
3章决策树
13.1决策树基础
13.1.1hunt算
13.1.2基尼测度与划分
13.1.3信息熵与信息增益
13.1.4分类误差
13.2决策树
13.2.1id3算
13.2.2c4.5算
13.3分类回归树
13.4决策树剪枝
13.4.1没有费午餐定理
13.4.2剪枝方
13.5分类器的评估
4章人工神经网络
14.1从感知机开始
14.1.1感知机模型
14.1.2感知机学
14.1.3多层感知机
14.2基本神经网络
14.2.1神经网络结构
14.2.2符号标记说明
14.2.3后向传播算
14.3神经网络实践
14.3.1核心函数介绍
14.3.2应用分析实践
5章集成学
15.1集成学的理论基础
15.2bootstrap方
15.3bagging与森林
15.4boosting与adaboost
附录a信息论基础
附录b
参文献
内容简介：
数学是机器学和数据科学的基础，任何期望涉足相关领域并切实领悟具体技术与方的人都无绕过数学这一关。本书系统地整理并介绍了机器学中所涉及的数学基础，这些都是笔者从浩如烟海的数学知识中精心萃取的，在学和研究机器学技术时所必须的内容。具体包括概率论与数理统计、微积分（主要是与很优化内容相关的部分）、凸优化及拉格朗乘数、数值计算、泛函分析基础（例如核方赖以建立的希尔伯特空间理论），以及蒙特卡洛采样（拒绝与自适应拒绝采样、重要采样、吉布斯采样和马尔科夫链蒙特卡洛）等内容。此外，为了帮助读者强化所学，本书还从上述数学基础出发介绍了回归、分类（感知机、逻辑回归、朴素贝叶斯、决策树、支持向量机、人工神经网络等）、聚类、降维与流形学、集成学，以及概率图模型等机器学中的重要话题。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价