机器学习数学基础一本通(Python版全彩印刷)

图书标准信息

• 作者 洪锦魁 著
• 出版社 清华大学出版社
• 出版时间 2021-04
• 版次 1
• ISBN 9787302574279
• 定价 99.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 229页
• 字数 0.51千字

【内容简介】

这是一本具有高中数学知识就能读懂的机器学习图书，书中通过大量程序实例，将复杂的公式重新拆解，详细、清晰地解读了机器学习中常用的数学知识，一步步带领读者进入机器学习的领域。
    本书共22章，主要讲解了数据可视化、math模块、sympy模块、numpy模块、方程式、函数、最小平方法、集合、概率、贝叶斯定理、指数、对数、欧拉数、逻辑函数、三角函数、大型运算符、向量、矩阵与线性回归等数学知识。
    本书语言简明，案例丰富，实用性强，适合有志于机器学习领域的研究者和爱好者、海量数据挖掘与分析人员、金融智能化从业人员阅读，也适合作为高等院校机器学习相关专业的教材。

【作者简介】

洪锦魁，中国台湾计算机专家，IT图书知名作者。
    近年出版：
    Python数据科学零基础一本通
    Python入门很简单
    Python王者归来
    Python GUI设计：tkinter菜鸟编程
    算法零基础一本通（Python版）
    其著作特色：
    所有程序语法会依特性分类，同时以实用的程序实例进行解说，让读者可以事半功倍地轻松掌握相关知识。

【目录】

第1章  数据可视化
  1-1  认识matplotlib.pyplot模块的主要函数
  1-2  绘制简单的折线图plot()
    1-2-1  画线基础实践
    1-2-2  线条宽度linewidth
    1-2-3  标题的显示
    1-2-4  坐标轴刻度的设定
    1-2-5  多组数据的应用
    1-2-6  线条色彩与样式
    1-2-7  刻度设计
    1-2-8  图例legend()
    1-2-9  保存与开启文件
    1-2-10  在图上标记文字
  1-3  绘制散点图scatter()
    1-3-1  基本散点图的绘制
    1-3-2  绘制系列点
    1-3-3  设定绘图区间
  1-4  numpy模块
    1-4-1  建立一个简单的数组linspace()和arange()
    1-4-2  绘制波形
    1-4-3  建立不等宽度的散点图
    1-4-4  填满区间
    1-4-5  色彩映射
  1-5  图表显示中文
第2章  数学模块math和sympy
  2-1  数学模块的变量
  2-2  一般函数
  2-3  log()函数
  2-4  三角函数
  2-5  sympy模块
    2-5-1  定义符号
    2-5-2  name属性
    2-5-3  定义多个符号变量
    2-5-4  符号的运算
    2-5-5  将数值代入公式
    2-5-6  将字符串转为数学表达式
    2-5-7  解一元一次方程式
    2-5-8  解一元二次方程式
    2-5-9  解含未知数的方程式
    2-5-10  解联立方程式
    2-5-11  绘制坐标图的基础
    2-5-12  设定绘图的x轴区间
    2-5-13  增加绘图标题与轴标题
    2-5-14  多函数图形
    2-5-15  plot()的show参数
    2-5-16  使用不同颜色绘图
    2-5-17  图表增加图例
第3章  机器学习基本概念
  3-1  人工智能、机器学习、深度学习
  3-2  认识机器学习
  3-3  机器学习的种类
    3-3-1 监督学习
    3-3-2  无监督学习
    3-3-3  强化学习
    3-3-4  本书的目标
  3-4  机器学习的应用范围
第4章  机器学习的基础数学
  4-1  用数字描绘事物
  4-2  变量概念
  4-3  从变量到函数
  4-4  等式运算的规则
  4-5  代数运算的基本规则
  4-6  用数学抽象化开餐厅的生存条件
    4-6-1  数学模型
    4-6-2  经营数字预估
    4-6-3  经营绩效的计算
  ……
第5章  认识方程式、函数、坐标图形
第6章  从联立方程式看机器学习的数学模型
第7章  从勾股定理看机器学习
第8章  联立不等式与机器学习
第9章  机器学习需要知道的二次函数
第10章  机器学习的最小平方法
第11章  机器学习必须懂的集合
第12章  机器学习必须懂的排列与组合
第13章  机器学习需要认识的概率
第14章  二项式定理
第15章  指数概念与指数函数
第16章  对数
第17章  欧拉数与逻辑函数
第18章  三角函数
第19章  从基础统计了解大型运算符
第20章  机器学习的向量
第21章  机器学习的矩阵
第22章  向量、矩阵与多元线性回归