幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習的數學基礎/智能系統與技術叢書

  • 作者：(英)馬克·彼得·戴森羅特//A.阿爾多·費薩爾//(馬來)翁承順|責編:劉鋒//章承林|譯者:郝珊鋒//黃定江
  • 出版社：機械工業
  • ISBN：9787111763222
  • 出版日期：2024/11/01
  • 裝幀：平裝
  • 頁數：372
人民幣：RMB 139 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    理解機器學習所需的基本數學工具包括線性代數、解析幾何、矩陣分解、向量微積分、優化、概率和統計。傳統上，這些主題是在不同的課程中介紹的，這使得數據科學或電腦科學專業的學生或者專業人士很難有效地學習數學基礎。本書彌補了純數學書籍和機器學習書籍存在的單一性問題，介紹了理解機器學習必備的數學概念，並使用這些概念推導出了四種核心機器學習方法：線性回歸、主成分分析、高斯混合模型和支持向量機。對於學生和其他具有數學背景的人來說，這些推導可以作為理解機器學習的一個起點。對於首次學習數學的人來說，這些方法有助於建立應用數學概念的直覺和實踐經驗。本書每一章都包括一些例子，大部分章還配有習題，以便讀者檢驗和鞏固所學知識。
作者介紹
(英)馬克·彼得·戴森羅特//A.阿爾多·費薩爾//(馬來)翁承順|責編:劉鋒//章承林|譯者:郝珊鋒//黃定江
目錄
譯者序
前言
符號表
縮略語和首字母縮略詞表
第一部分  數學基礎
  第1章  引言與動機
    1.1  尋找直觀的詞語
    1.2  閱讀本書的兩種方法
    習題和反饋
  第2章  線性代數
    2.1  線性方程組
    2.2  矩陣
      2.2.1  矩陣加法與乘法
      2.2.2  逆和轉置
      2.2.3  標量乘法
      2.2.4  線性方程組的簡潔表示
    2.3  解線性方程組
      2.3.1  特解和通解
      2.3.2  初等變換
      2.3.3  -1技巧
      2.3.4  求解線性方程組的演算法
    2.4  向量空間
      2.4.1  群
      2.4.2  向量空間
      2.4.3  向量子空間
    2.5  線性無關
    2.6  基與秩
      2.6.1  生成集與基
      2.6.2  秩
    2.7  線性映射
      2.7.1  線性映射的矩陣表示
      2.7.2  基變換
      2.7.3  象與核
    2.8  仿射空間
      2.8.1  仿射子空間
      2.8.2  仿射映射
    2.9  延伸閱讀
    習題
  第3章  解析幾何
    3.1  范數
    3.2  內積
      3.2.1  點積
      3.2.2  一般內積
      3.2.3  對稱正定矩陣
    3.3  長度和距離
    3.4  角度和正交性
    3.5  標準正交基
    3.6  正交補
    3.7  函數內積
    3.8  正交投影

      3.8.1  一維子空間（線）的投影
      3.8.2  投影到一般子空間上
      3.8.3  Gram-Schmidt正交化
      3.8.4  在仿射子空間上的投影
    3.9  旋轉
      3.9.1  在R2上旋轉
      3.9.2  在R3上旋轉
      3.9.3  在Rn上旋轉
      3.9.4  旋轉的性質
    3.10  延伸閱讀
    習題
  第4章  矩陣分解
    4.1  行列式和跡
    4.2  特徵值和特徵向量
    4.3  Cholesky分解
    4.4  特徵分解和對角化
    4.5  奇異值分解
      4.5.1  SVD的幾何直觀
      4.5.2  SVD的構造
      4.5.3  特徵分解與奇異值分解
    4.6  矩陣近似
    4.7  矩陣發展史
    4.8  延伸閱讀
    習題
  第5章  向量微積分
    5.1  一元函數的微分
      5.1.1  泰勒級數
      5.1.2  求導法則
    5.2  偏微分和梯度
      5.2.1  偏微分的基本法則
      5.2.2  鏈式法則
    5.3  向量值函數的梯度
    5.4  矩陣梯度
    5.5  梯度計算中的常用等式
    5.6  反向傳播與自動微分
      5.6.1  深度網路中的梯度
      5.6.2  自動微分
    5.7  高階導數
    5.8  線性化和多元泰勒級數
    5.9  延伸閱讀
    習題
  第6章  概率和分佈
    6.1  概率空間的構造
      6.1.1  哲學問題
      6.1.2  概率與隨機變數
      6.1.3  統計
    6.2  離散概率和連續概率
      6.2.1  離散概率
      6.2.2  連續概率
      6.2.3  離散分佈和連續分佈的對比

    6.3  加法法則、乘法法則和貝葉斯定理
    6.4  概要統計量和獨立性
      6.4.1  均值與方差
      6.4.2  經驗均值與協方差
      6.4.3  方差的三種表達
      6.4.4  隨機變數的求和與變換
      6.4.5  統計獨立性
      6.4.6  隨機變數的內積
    6.5  高斯分佈
      6.5.1  高斯分佈的邊緣分佈和條件分佈是高斯分佈
      6.5.2  高斯密度的乘積
      6.5.3  求和與線性變換
      6.5.4  多元高斯分佈抽樣
    6.6  共軛與指數族
      6.6.1  共軛
      6.6.2  充分統計量
      6.6.3  指數族
    6.7  變數替換/逆變換
      6.7.1  分佈函數技巧
      6.7.2  變數替換
    6.8  延伸閱讀
    習題
  第7章  連續優化
    7.1  使用梯度下降的優化
      7.1.1  步長
      7.1.2  動量梯度下降法
      7.1.3  隨機梯度下降
    7.2  約束優化和拉格朗日乘子
    7.3  凸優化
      7.3.1  線性規劃
      7.3.2  二次規劃
      7.3.3  Legendre-Fenchel變換和凸共軛
    7.4  延伸閱讀
    習題
第二部分  機器學習的核心問題
  第8章  模型結合數據
    8.1  數據、模型與學習
      8.1.1  用向量表示數據
      8.1.2  模型的函數表示
      8.1.3  模型的概率分佈表示
      8.1.4  學習即尋找參數
    8.2  經驗風險最小化
      8.2.1  函數的假設類別
      8.2.2  訓練數據的損失函數
      8.2.3  正則化以減少過擬合
      8.2.4  用交叉驗證評估泛化性能
      8.2.5  延伸閱讀
    8.3  參數估計
      8.3.1  最大似然估計
      8.3.2  最大后驗估計

      8.3.3  模型擬合
      8.3.4  延伸閱讀
    8.4  概率建模與推理
      8.4.1  概率模型
      8.4.2  貝葉斯推理
      8.4.3  隱變數模型
      8.4.4  延伸閱讀
    8.5  有向圖模型
      8.5.1  圖語義
      8.5.2  條件獨立和d分離
      8.5.3  延伸閱讀
    8.6  模型選擇
      8.6.1  嵌套交叉驗證
      8.6.2  貝葉斯模型選擇
      8.6.3  模型比較的貝葉斯因子
      8.6.4  延伸閱讀
  第9章  線性回歸
    9.1  界定問題
    9.2  參數估計
      9.2.1  最大似然估計
      9.2.2  線性回歸中的過擬合
      9.2.3  最大后驗估計
      9.2.4  作為正則化的MAP估計
    9.3  貝葉斯線性回歸
      9.3.1  模型
      9.3.2  先驗預測
      9.3.3  后驗分佈
      9.3.4  后驗預測
      9.3.5  邊緣似然的計算
    9.4  最大似然作為正交投影
    9.5  延伸閱讀
  第10章  用主成分分析進行降維
    10.1  提出問題
    10.2  最大化方差
      10.2.1  具有最大方差的方向
      10.2.2  具有最大方差的M維子空間
    10.3  投影視角
      10.3.1  背景和目標
      10.3.2  尋找最優坐標
      10.3.3  尋找主子空間的基
    10.4  特徵向量計算和低秩逼近
      10.4.1  PCA使用低秩矩陣近似
      10.4.2  實踐方面
    10.5  高維中的主成分分析
    10.6  主成分分析實踐中的關鍵步驟
    10.7  隱變數視角
      10.7.1  生成過程和概率模型
      10.7.2  似然函數和聯合分佈
      10.7.3  后驗分佈
    10.8  延伸閱讀

  第11章  高斯混合模型的密度估計
    11.1  高斯混合模型
    11.2  通過最大似然進行參數學習
      11.2.1  響應度
      11.2.2  更新均值
      11.2.3  更新協方差
      11.2.4  更新混合權重
    11.3  EM演算法
    11.4  隱變數視角
      11.4.1  生成過程與概率模型
      11.4.2  似然
      11.4.3  后驗分佈
      11.4.4  擴展到完整數據集
      11.4.5  再探EM演算法
    11.5  延伸閱讀
  第12章  用支持向量機進行分類
    12.1  分離超平面
    12.2  原始支持向量機
      12.2.1  間隔的概念
      12.2.2  間隔的傳統推導
      12.2.3  為什麼可以設定間隔的長度為
      12.2.4  軟間隔SVM幾何觀點
      12.2.5  軟間隔SVM：損失函數觀點
    12.3  對偶支持向量機
      12.3.1  由拉格朗日乘子導出凸對偶
      12.3.2  對偶SVM：凸包觀點
    12.4  核
    12.5  數值解
    12.6  延伸閱讀
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