幫助中心 | 我的帳號 | 關於我們

數據科學與機器學習(數學與統計方法)/數據科學與工程技術叢書

  • 作者:(澳)迪爾克·P.克洛澤//茲德拉夫科·I.波提夫//托馬斯·泰姆勒//拉迪斯拉夫·維斯曼|責編:張秀華|譯者:于俊偉//劉楠
  • 出版社:機械工業
  • ISBN:9787111711391
  • 出版日期:2023/01/01
  • 裝幀:平裝
  • 頁數:393
人民幣:RMB 139 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書展示了現代機器學習技術背後的數學思想,深入探討了數據科學方法,給出了主要定理和後續推導的證明,並提供了大量Python代碼,旨在幫助讀者更好地理解數學和統計學知識,為數據科學中豐富多樣的思想和機器學習演算法提供支撐。書中首先介紹了數據的相關概念,闡述了統計學習、蒙特卡羅方法、無監督學習的相關內容,接著探討了回歸方法、正則化方法和核方法,然後論述了分類問題與決策樹和集成方法,最後介紹了深度學習的相關內容。此外,本書在附錄中給出了相關內容的背景知識,包含線性代數與泛函分析、多元微分與優化問題、概率與統計,以及Python入門內容。本書通俗易懂、內容全面,主要面向學習數據科學和機器學習課程的本科生和研究生。

作者介紹
(澳)迪爾克·P.克洛澤//茲德拉夫科·I.波提夫//托馬斯·泰姆勒//拉迪斯拉夫·維斯曼|責編:張秀華|譯者:于俊偉//劉楠

目錄
譯者序
前言
數學符號
第1章  導入、匯總和可視化數據
  1.1  簡介
  1.2  類型結構特徵
  1.3  匯總表
  1.4  匯總統計量
  1.5  數據可視化
    1.5.1  定性變數繪圖
    1.5.2  定量變數繪圖
    1.5.3  雙變數的數據可視化
  1.6  擴展閱讀
  1.7  習題
第2章  統計學習
  2.1  簡介
  2.2  監督學習和無監督學習
  2.3  訓練損失和測試損失
  2.4  統計學習中的權衡處理
  2.5  估計風險
    2.5.1  樣本內風險
    2.5.2  交叉驗證
  2.6  數據建模
  2.7  多元正態模型
  2.8  正態線性模型
  2.9  貝葉斯學習
  2.10  擴展閱讀
  2.11  習題
第3章  蒙特卡羅方法
  3.1  簡介
  3.2  蒙特卡羅抽樣
    3.2.1  生成隨機數
    3.2.2  模擬隨機變數
    3.2.3  模擬隨機向量和隨機過程
    3.2.4  重採樣
    3.2.5  馬爾可夫鏈蒙特卡羅
  3.3  蒙特卡羅估計
    3.3.1  樸素蒙特卡羅
    3.3.2  自舉法
    3.3.3  方差縮減
  3.4  蒙特卡羅優化
    3.4.1  模擬退火
    3.4.2  交叉熵方法
    3.4.3  分裂優化
    3.4.4  雜訊優化
  3.5  擴展閱讀
  3.6  習題
第4章  無監督學習
  4.1  簡介
  4.2  無監督學習的風險和損失

  4.3  期望大化演算法
  4.4  經驗分佈和密度估計
  4.5  通過混合模型聚類
    4.5.1  混合模型
    4.5.2  混合模型的EM
演算法
  4.6  向量量化聚類
    4.6.1  K均值
    4.6.2  通過連續多極值優化進行聚類
  4.7  層次聚類
  4.8  主成分分析
    4.8.1  動機:橢球體的主軸
    4.8.2  PCA和奇異值分解
  4.9  擴展閱讀
  4.10  習題
第5章  回歸
  5.1  簡介
  5.2  線性回歸
  5.3  線性模型分析
    5.3.1  參數估計
    5.3.2  模型選擇和預測
    5.3.3  交叉驗證與預測殘差平方和
    5.3.4  樣本內風險和赤池信息準則
    5.3.5  分類特徵
    5.3.6  嵌套模型
    5.3.7  決定係數
  5.4  正態線性模型的推理
    5.4.1  比較兩個正態線性模型
    5.4.2  置信區間和預測區間
  5.5  非線性回歸模型
  5.6  用Python實現線性模型
    5.6.1  建模
    5.6.2  分析
    5.6.3  方差分析
    5.6.4  置信區間和預測區間
    5.6.5  模型驗證
    5.6.6  變數選擇
  5.7  廣義線性模型
  5.8  擴展閱讀
  5.9  習題
第6章  正則化和核方法
  6.1  簡介
  6.2  正則化
  6.3  再生核希爾伯特空間
  6.4  再生核的構造
    6.4.1  通過特徵映射構造再生核
    6.4.2  根據特徵函數構造再生核
    6.4.3  利用正交特徵構造再生核
    6.4.4  通過核構造再生核
  6.5  表示定理

  6.6  平滑三次樣條
  6.7  高斯過程回歸
  6.8  核PCA
  6.9  擴展閱讀
  6.10  習題
第7章  分類
  7.1  簡介
  7.2  分類評價指標
  7.3  基於貝葉斯規則的分類
  7.4  線性判別分析和二次判別分析
  7.5  邏輯回歸和softmax分類
  7.6  K近鄰分類
  7.7  支持向量機
  7.8  使用Scikit?Learn進行分類
  7.9  擴展閱讀
  7.10  習題
第8章  決策樹和集成方法
  8.1  簡介
  8.2  自頂向下的決策樹構建方法
    8.2.1  區域預測函數
    8.2.2  分裂規則
    8.2.3  終止條件
    8.2.4  基本實現
  8.3  其他考慮因素
    8.3.1  二叉樹與非二叉樹
    8.3.2  數據預處理
    8.3.3  替代分裂規則
    8.3.4  類別變數
    8.3.5  缺失值
  8.4  控制樹形
    8.4.1  代價複雜度剪枝
    8.4.2  決策樹的優點和局限性
  8.5  自舉聚合
  8.6  隨機森林
  8.7  提升法
  8.8  擴展閱讀
  8.9  習題
第9章  深度學習
  9.1  簡介
  9.2  前饋神經網路
  9.3  反向傳播
  9.4  訓練方法
    9.4.1  速下降法
    9.4.2  Levenberg?Marquardt方法
    9.4.3  受限內存BFGS方法
    9.4.4  自適應梯度法
  9.5  Python示例
    9.5.1  簡單多項式回歸
    9.5.2  圖像分類
  9.6  擴展閱讀

  9.7  習題
附錄A  線性代數與泛函分析
附錄B  多元微分與優化問題
附錄C  概率與統計
附錄D  Python入門
參考文獻

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032