机器学的数学 人工智能 雷明 新华正版
上海交通大学特别研究员、阿里巴巴、百度算专家、优酷首席科学家、谷歌机器学开发者专家力荐教材，解决机器学的数学问题。
￥ 52.8 4.8折 ￥ 109 全新
库存42件
湖南长沙
认证卖家担保交易快速发货售后保障
作者雷明
出版社人民邮电出版社
ISBN9787115542939
出版时间2021-01
版次1
装帧平装
开本16开
页数404页
字数660千字
定价109元
货号xhwx_1202206536
上书时间2024-02-04
- 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：
上海交通大学特别研究员、阿里巴巴、百度算专家、优酷首席科学家、谷歌机器学开发者专家力荐教材透彻地理解机器学算，从数学层面搞懂这些核心算的逻辑，具备推导和证明算的能力在解决人工智能工程实践的问题中，能够用数学知识进行分析和建模覆盖人工智能领域中机器学、深度学、强化学相关的数学知识从机器学应用的角度讲授数学，让数学在机器学中的应用无缝衔接涵盖概率论、信息论、很优化方等机器学中的目标函数构造、模型优化以及各种机器学算的核心知识囊括了微积分和线代数等基本数学知识
目录：
章一元函数微积分1
1．1极限与连续
1．1．1可数集与不可数集
1．1．2数列的极限
1．1．3函数的极限
1．1．4函数的连续与间断点
1．1．5上确界与下确界
1．1．6李普希茨连续
1．1．7无穷小量
1．2导数与微分
1．2．1一阶导数
1．2．2机器学中的常用函数
1．2．3高阶导数
1．2．4微分
1．2．5导数与函数的单调
1．2．6极值判别则
1．2．7导数与函数的凹凸
1．3微分中值定理
1．3．1罗尔中值定理
1．3．2拉格朗中值定理
1．3．3柯西中值定理
1．4泰勒公式
1．5不定积分
1．5．1不定积分的定义与质
1．5．2换元积分
1．5．3分部积分
1．6定积分
1．6．1定积分的定义与质
1．6．2牛顿-莱布尼茨公式
1．6．3定积分的计算
1．6．4变上限积分
1．6．5定积分的应用
1．6．6广义积分
1．7常微分方程
1．7．1基本概念
1．7．2一阶线微分方程
第2章线代数与矩阵论
2．1向量及其运算
2．1．1基本概念
2．1．2基本运算
2．1．3向量的范数
2．1．4解析几何
2．1．5线相关
2．1．6向量空间
2．1．7应用——线回归
2．1．8应用——线分类器与支持向量机
2．2矩阵及其运算
2．2．1基本概念
2．2．2基本运算
2．2．3逆矩阵
2．2．4矩阵的范数
2．2．5应用——人工神经网络
2．2．6线变换
2．3行列式
2．3．1行列式的定义与质
2．3．2计算方
2．4线方程组
2．4．1高斯消元
2．4．2齐次方程组
2．4．3非齐次方程组
2．5特征值与特征向量
2．5．1特征值与特征向量
2．5．2相似变换
2．5．3正交变换
2．5．4qr算
2．5．5广义特征值
2．5．6瑞利商
2．5．7谱范数与特征值的关系
2．5．8条件数
2．5．9应用——谱归一化与谱正则化
2．6二次型
2．6．1基本概念
2．6．2正定二次型与正定矩阵
2．6．3标准型
2．7矩阵分解
2．7．1楚列斯基分解
2．7．2qr分解
2．7．3特征值分解
2．7．4奇异值分解
第3章多元函数微积分
3．1偏导数
3．1．1一阶偏导数
3．1．2高阶偏导数
3．1．3全微分
3．1．4链式则
3．2梯度与方向导数
3．2．1梯度
3．2．2方向导数
3．2．3应用——边缘检测与hog特征
3．3黑塞矩阵
3．3．1黑塞矩阵的定义与质
3．3．2凹凸
3．3．3极值判别则
3．3．4应用——小二乘
3．4雅可比矩阵
3．4．1雅可比矩阵的定义和质
3．4．2链式则的矩阵形式
3．5向量与矩阵求导
3．5．1常用求导公式
3．5．2应用——反向传播算
3．6微分算
3．6．1符号微分
3．6．2数值微分
3．6．3自动微分
3．7泰勒公式
3．8多重积分
3．8．1二重积分
3．8．2三重积分
3．8．3n重积分
3．9无穷级数
3．9．1常数项级数
3．9．2函数项级数
第4章很优化方
4．1基本概念
4．1．1问题定义
4．1．2迭代的基本思想
4．2一阶优化算
4．2．1梯度下降
4．2．2速下降
4．2．3梯度下降的改进
4．2．4梯度下降
4．2．5应用——人工神经网络
4．3二阶优化算
4．3．1牛顿
4．3．2拟牛顿
4．4分治
4．4．1坐标下降
4．4．2smo算
4．4．3分阶段优化
4．4．4应用——logistic回归
4．5凸优化问题
4．5．1数值优化算面临的问题
4．5．2凸集
4．5．3凸优化问题及其质
4．5．4机器学中的凸优化问题
4．6带约束的优化问题
4．6．1拉格朗乘数
4．6．2应用——线判别分析
4．6．3拉格朗对偶
4．6．4kkt条件
4．6．5应用——支持向量机
4．7多目标优化问题
4．7．1基本概念
4．7．2求解算
4．7．3应用——多目标神经结构搜索
4．8泛函极值与变分
4．8．1泛函与变分
4．8．2欧拉—拉格朗方程
4．8．3应用——证明两点之间直线短
4．9目标函数的构造
4．9．1有监督学
4．9．2无监督学
4．9．3强化学
第5章概率论
5．1事件与概率
5．1．1事件概率
5．1．2条件概率
5．1．3全概率公式
5．1．4贝叶斯公式
5．1．5条件独立
5．2变量
5．2．1离散型变量
5．2．2连续型变量
5．2．3数学期望
5．2．4方差与标准差
5．2．5jensen不等式
5．3常用概率分布
5．3．1均匀分布
5．3．2伯努利分布
5．3．3二项分布
5．3．4多项分布
5．3．5几何分布
5．3．6正态分布
5．3．7t分布
5．3．8应用——直方图
5．3．9应用——贝叶斯分类器
5．4分布变换
5．4．1变量函数
5．4．2逆变换采样算
5．5向量
5．5．1离散型向量
5．5．2连续型向量
5．5．3数学期望
5．5．4协方差
5．5．5常用概率分布
5．5．6分布变换
5．5．7应用——高斯混合模型
5．6极限定理
5．6．1切比雪夫不等式
5．6．2大数定律
5．6．3中心极限定理
5．7参数估计
5．7．1优选似然估计
5．7．2优选后验概率估计
5．7．3贝叶斯估计
5．7．4核密度估计
5．7．5应用——logistic回归
5．7．6应用——em算
5．7．7应用——meanshift算
5．8算
5．8．1基本数生成算
5．8．2遗传算
5．8．3蒙特卡洛算
5．9采样算
5．9．1拒绝采样
5．9．2重要采样
第6章信息论
6．1熵与联合熵
6．1．1信息量与熵
6．1．2熵的质
6．1．3应用——决策树
6．1．4联合熵
6．2交熵
6．2．1交熵的定义
6．2．2交熵的质
6．2．3应用——softmax回归
6．3kullback-leibler散度
6．3．1kl散度的定义
6．3．2kl散度的质
6．3．3与交熵的关系
6．3．4应用——流形降维
6．3．5应用——变分推断
6．4jensen-shannon散度
6．4．1js散度的定义
6．4．2js散度的质
6．4．3应用——生成对抗网络
6．5互信息
6．5．1互信息的定义
6．5．2互信息的质
6．5．3与熵的关系
6．5．4应用——特征选择
6．6条件熵
6．6．1条件熵定义
6．6．2条件熵的质
6．6．3与熵以及互信息的关系
6．7结
第7章过程
7．1马尔可夫过程
7．1．1马尔可夫
7．1．2马尔可夫链的基本概念
7．1．3状态的质与分类
7．1．4稳分布与极限分布
7．1．5细致衡条件
7．1．6应用——隐马尔可夫模型
7．1．7应用——强化学
7．2马尔可夫链采样算
7．2．1基本马尔可夫链采样
7．2．2mcmc采样算
7．2．3metropolis-hastings算
7．2．4gibbs算
7．3高斯过程
7．3．1高斯过程质
7．3．2高斯过程回归
7．3．3应用——贝叶斯优化
第8章图论
8．1图的基本概念
8．1．1基本概念
8．1．2应用——计算图与自动微分
8．1．3应用——概率图模型
8．1．4邻接矩阵与加权度矩阵
8．1．5应用——样本集的相似度图
8．2若干特殊的图
8．2．1联通图
8．2．2二部图
8．2．3应用——受限玻尔兹曼机
8．2．4有向无环图
8．2．5应用——神经结构搜索
8．3重要的算
8．3．1遍历算
8．3．2短路径算
8．3．3拓扑排序算
8．4谱图理论
8．4．1拉普拉斯矩阵
8．4．2归一化拉普拉斯矩阵
8．4．3应用——流形降维
内容简介：
本书的目标是帮助读者全面、系统地学机器学所必须的数学知识。全书由8章组成，力求、小地覆盖机器学的数学知识。包括微积分，线代数与矩阵论，化方，概率论，信息论，过程，以及图论。本书从机器学的角度讲授这些数学知识，对它们在该领域的应用举例说明，使读者对某些抽象的数学知识和理论的实际应用有直观、具体的认识。本书内容紧凑，结构清晰，深入浅出，讲解详细。可用作计算机、人工智能、电子工程、自动化、数学等相关专业的教材与参书。对人工智能领域的工程技术人员与产品研发人员，本书也有很强的参价值。对于广大数学与应用的数学爱好者，本书亦为适合自学的读本。
作者简介：
雷明，人工智能学与实践台sigai的创始人；2009年于清华大学计算机系，获硕士，研究方向为机器视觉与机器学；后曾职于百度公司，任软件工程师、项目经理。2012年加入zrnodo（深圳市智美达科技股份有限公司），任cto与台研发中心负责人；2018年2月创立sigai，其核心产品为云端实验室与知识库，为人工智能学与实践提供便捷的一站式服务：在机器学与深度学、机器视觉、自然语言处理方向有扎实的理论功底与丰富的学术和产品研发经验，硕士期间曾发表数篇。
精彩书评：
工欲善其事，必先利其器自1956年达特茅斯会议至今，人工智能已发展60年有余。尤其在近这10年中，随着存储能力和计算能力的不断提升，人工智能迎来了迅猛的发展，开始在金融、医疗、教育、公共安全等方面发挥出巨大的作用。其中关于大数据、深度学、智能芯片等新型领域的研究催生了刷脸支付、智能音箱、以图搜图、智能翻译等新的应用场景和产品，这不仅推动了人类社会的进步，还极大地改变了人们的生活。人工智能了一场崭新的技术变革，在科技的赋能下，诸多行业将会快展。放眼世界，人工智能正成为国际竞争的新焦点。2018年，欧盟委员会宣布在人工智能领域采取三大措施，以促进相关的教育和培训体系升级。回首，院于2017年发布了新一代人工智能发展规划，提出了要建立新一代人工智能关键共技术体系。现如今，学术界对人工智能的研究方兴未艾，呈现出高校与企业共同发展、相辅相成的局面。我国各大知名高校（包括清华大学、上海交通大学、大学、西安电子科技大学等）陆续成立了人工智能研究院/学院，旨在推动人工智能在学术领域的发展。在界，不仅阿里巴巴、腾讯、百度等企业率先跻身于人工智能领域，了人工智能技术在的落地与发展，与此同时，以商汤、旷视、依图等为代表的人工智能“独角兽”企业也在快展。人工智能技术的发展可期！机器学的数学一书覆盖了人工智能领域中与机器学相关的数学知识体系，不仅囊括了微积分和线代数等基本数学，还详细讲解了概率论、信息论、很优化方等诸多内容，这些知识是机器学中的目标函数构造、模型优化以及各种机器学算的核心和基础。本书希望通过对数学知识的讲解帮助读者深刻理解算背后的机理，并厘清各种算之间的内在联系。本书重视理论与实践相结合，在讲解数学知识的同时也对其在机器学领域的实际应用进行了举例说明，方便读者更具象化地理解抽象的数学理论，同时对机器学算有更深刻的认识。本书语言精练，条理清晰，内容翔实全面，公式推导严格周密，将理论与工程实践相结合，展示了机器学方背后的数学，是集专业与通俗为一体的上乘之作。通过本书，初学者可以奠定扎实的数学基础，从而为后续掌握机器学的具体技术和应用铺道路。从业者也可以利用本书强化巩固基础知识，从技术背后的数学本质出发来解决工程问题。仰之弥高，钻之弥坚。人工智能的大厦越建越高，终会长久屹立于人类科技历史之中。开卷有益，希望本书能够帮助读者认识和理解机器学的数学，助力读者在人工智能领域大放异彩！严骏驰上海交通大学特别研究员
— 没有更多了 —
以下为对购买帮助不大的评价