数据科学与机器学习：数学与统计方法

图书标准信息

• 作者 [澳]迪尔克·P. 克洛泽 (澳)兹德拉夫科·I. 波提夫 (澳)托马斯·泰姆勒 (澳)拉迪斯拉夫·维斯曼 著
• 出版社 机械工业出版社
• 出版时间 2022-11
• 版次 1
• ISBN 9787111711391
• 定价 139.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 408页
• 字数 644千字

【内容简介】

本书旨在为有兴趣更好地理解数学和统计的学生提供一个可访问的、全面的教科书，这些数学和统计知识是数据科学和机器学习算法的基础。

【作者简介】

:
    迪尔克·P.克洛泽（Dirk P.Kroese），博士，昆士兰大学数学和统计学教授。他在数学、统计学、数据科学、机器学习和蒙特卡罗方法等领域发表了120多篇论文，出版了5本专著。他是著名交叉熵方法的先驱，交叉熵方法作为一种自适应蒙特卡罗方法，已应用于世界各地，帮助解决科学、工程和金融领域的困难估计和优化问题。

【目录】

译者序

前言

数学符号

第1章导入、汇总和可视化

数据

11简介

12类型结构特征

13汇总表

14汇总统计量

15数据可视化

151定性变量绘图

152定量变量绘图

153双变量的数据可视化

16扩展阅读

17习题

第2章统计学习

21简介

22监督学习和无监督学习

23训练损失和测试损失

24统计学习中的权衡处理

25估计风险

251样本内风险

252交叉验证

26数据建模

27多元正态模型

28正态线性模型

29贝叶斯学习

210扩展阅读

211习题

第3章蒙特卡罗方法

31简介

32蒙特卡罗抽样

321生成随机数

322模拟随机变量

323模拟随机向量和随机

过程

324重采样

325马尔可夫链蒙特卡罗

33蒙特卡罗估计

331朴素蒙特卡罗

332自举法

333方差缩减

34蒙特卡罗优化

341模拟退火

342交叉熵方法

343分裂优化

344噪声优化

35扩展阅读

36习题

第4章无监督学习

41简介

42无监督学习的风险和损失

43期望大化算法

44经验分布和密度估计

45通过混合模型聚类

451混合模型

452混合模型的EM

算法

46向量量化聚类

461K均值

462通过连续多极值优化

进行聚类

47层次聚类

48主成分分析

481动机：椭球体的

主轴

482PCA和奇异值分解

49扩展阅读

410习题

第5章回归

51简介

52线性回归

53线性模型分析

531参数估计

532模型选择和预测

533交叉验证与预测残差

平方和

534样本内风险和赤池信

息准则

535分类特征

536嵌套模型

537决定系数

54正态线性模型的推理

541比较两个正态线性

模型

542置信区间和预测

区间

55非线性回归模型

56用Python实现线性模型

561建模

562分析

563方差分析

564置信区间和预测区间

565模型验证

566变量选择

57广义线性模型

58扩展阅读

59习题

第6章正则化和核方法

61简介

62正则化

63再生核希尔伯特空间

64再生核的构造

641通过特征映射构造

再生核

642根据特征函数构造

再生核

643利用正交特征构造

再生核

644通过核构造再生核

65表示定理

66平滑三次样条

67高斯过程回归

68核PCA

69扩展阅读

610习题

第7章分类

71简介

72分类评价指标

73基于贝叶斯规则的分类

74线性判别分析和二次判别

分析

75逻辑回归和softmax分类

76K近邻分类

77支持向量机

78使用ScikitLearn进行分类

79扩展阅读

710习题

第8章决策树和集成方法

81简介

82自顶向下的决策树构建方法

821区域预测函数

822分裂规则

823终止条件

824基本实现

83其他考虑因素

831二叉树与非二叉树

832数据预处理

833替代分裂规则

834类别变量

835缺失值

84控制树形

841代价复杂度剪枝

842决策树的优点和

局限性

85自举聚合

86随机森林

87提升法

88扩展阅读

89习题

第9章深度学习

91简介

92前馈神经网络

93反向传播

94训练方法

941速下降法

942LevenbergMarquardt

方法

943受限内存BFGS

方法

944自适应梯度法

95Python示例

951简单多项式回归

952图像分类

96扩展阅读

97习题

附录A线性代数与泛函分析

附录B多元微分与优化问题

附录C概率与统计

附录DPython入门

参考文献