機器學習數學基礎 (Python 語言實現)
周洋,張小霞 著
- 出版商: 北京大學
- 出版日期: 2021-08-01
- 定價: $414
- 售價: 9.5 折 $393
- 語言: 簡體中文
- 頁數: 264
- 裝訂: 平裝
- ISBN: 7301322674
- ISBN-13: 9787301322673
-
相關分類:
Machine Learning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$450原子教你玩 STM32 (寄存器版), 2/e
-
$450原子教你玩 STM32 (庫函數版第2版)
-
$314計算機系統設計 (上冊) — 基於 FPGA 的 RISC 處理器設計與實現
-
$460$414 -
$650$507 -
$507機器學習算法的數學解析與 Python 實現
-
$319機器視覺原理與案例詳解
-
$556電腦通信網, 2/e
-
$654$621 -
$224深入淺出深度學習
-
$296自動控制原理
-
$828$787 -
$454深入淺出 AI 算法:基礎概覽
-
$673自然語言處理:基於預訓練模型的方法
-
$458貝葉斯統計導論
-
$505Go 語言底層原理剖析
-
$659$626 -
$393計算機系統設計 (下冊) — 基於 FPGA 的 SoC 設計與實現
-
$356零基礎 WiFi 模塊開發入門與應用實例
-
$455自己動手做聊天機器人
-
$564數學建模:算法與編程實現
-
$620$490 -
$901電力電子基礎(原書第2版)
-
$356Python 數據科學實戰
-
$580$458
相關主題
商品描述
《機器學習數學基礎(Python語言實現)》
是一本系統介紹機器學習所涉及的數學知識和相關Python編程的實例工具書,同時還介紹了非常經典的綜合案例,
除了編寫機器學習的代碼,還編寫了深度學習的代碼。
《機器學習數學基礎(Python語言實現)》一共分為兩部分。
部分為數學基礎知識部分,包含8個章節,介紹了微積分、線性代數、概率統計、信息論、模糊數學、
隨機過程、凸優化和圖論的系統知識體系及幾個數學知識點對應的Python編程實例。
通過這些實例,讀者能夠了解Scikit-learn、Scikit-fuzzy、Theano、
SymPy、NetworkX和CVXPY中相應的庫函數的應用。
第二部分為案例部分,包含4個章節,介紹了微積分、線性代數和概率統計問題的建模方法、求解流程和編程實現,
以及工業生產領域的Python實戰,包含了機器學習算法和深度學習PyTorch框架的應用。
在學習《機器學習數學基礎(Python語言實現)》內容前,
建議讀者先掌握基本的Python編程知識和數學基礎,
然後將《機器學習數學基礎(Python語言實現)》通讀一遍,
了解《機器學習數學基礎(Python語言實現)》的大概內容,
後再跟著實例進行操作。
《機器學習數學基礎(Python語言實現)》既注重數學理論,
又偏重編程實踐,實用性強,適用於對編程有一定基礎,
對系統的數學知識非常渴望,想從事人工智能、大數據等方向研究的讀者。
同時也適合作為廣大職業院校相關專業的教材或參考用書。
作者簡介
周洋
成都嘉捷信誠解決方案專家,擁有12年toB行業大數據相關經驗,
對工業大數據、智慧電廠、智慧城市、智慧交通、智慧安防等行業趨勢發展有前瞻性判斷力。
對機器學習、深度學習、大數據、知識圖譜等技術有深入研究。
張小霞
控制理論與控制工程專業碩士。
曾從事軍工電子硬件和軟件開發、機器人視覺檢測、工業檢測數據建模分析等相關工作,擅長機器學習和深度學習算法,
對機器視覺中的目標檢測、圖像分割、三維點雲檢測及自然語言處理等方面有深入研究。
現就職於成都航空職業技術學院,從事教學科研工作。
目錄大綱
第1章 微積分1
1.1 函數和極限2
小試牛刀01:Python編程實現函數極限10
1.2 導數11
1.3 方嚮導數和梯度19
小試牛刀02:Python編程實現雅可比矩陣、黑塞矩陣21
1.4 積分24
專家點撥28
NO1.從事編程開發的人員如何學習微積分? 28
NO2.學習微積分需要全部掌握嗎? 28
NO3.學習微積分需要大量做題嗎? 28
本章小結28
第2章 線性代數29
2.1 行列式30
2.2 用向量描述空間35
2.3 內積、正交向量組和範數36
小試牛刀03:Python編程實現求範數39
2.4 矩陣和線性變換41
小試牛刀04:Python編程實現求逆矩陣、行列式的值、秩49
2.5 二次型50
2.6 矩陣分解52
小試牛刀05:Python編程實現矩陣的QR分解58
專家點撥61
NO1.線性代數有多重要? 61
NO2.向量內積的幾何解釋是什麼? 61
NO3.奇異值分解的應用場景有哪些? 62
本章小結62
第3章 概率統計63
3.1 隨機事件和概率64
小試牛刀06:Python編程實現貝葉斯公式69
3.2 隨機變量及其分佈70
小試牛刀07:Python編程實現正態分佈75
3.3 數字特徵及隨機變量間的關係76
小試牛刀08:Python編程實現Pearson相關係數80
3.4 概率統計的其他方面82
小試牛刀09:Python編程實現參數估計92
小試牛刀10:Python編程實現假設檢驗94
專家點撥96
NO1.“互斥事件”和“對立事件”的關係如何? 96
NO2.大數定律有什麼用? 96
本章小結97
第4章 信息論98
4.1 信息熵99
小試牛刀11:Python編程實現交叉熵和KL散度101
4.2 自信息和互信息102
4.3 困惑度103
4.4 信道噪聲模型104
專家點撥105
NO1.信息熵的用途是什麼? 105
NO2.TF?IDF的信息論依據是什麼? 106
NO3.如何訓練熵模型? 107
本章小結107
第5章 模糊數學108
5.1 基礎概念109
5.2 模糊數學的應用110
小試牛刀12:Python編程實現模糊聚類114
專家點撥116
NO1.模糊數學對於我們學習算法重要嗎? 116
NO2.模糊控制理論和模糊數學的關係? 117
NO3.模糊數學在數字圖像處理方面的應用有哪些? 117
本章小結117
第6章 隨機過程118
6.1 基本概念119
6.2 馬爾可夫過程120
小試牛刀13:Python編程實現HMM模型及Viterbi算法122
6.3 泊松過程124
小試牛刀14:Python編程實現泊松過程127
專家點撥130
NO1.馬爾可夫過程思維在建模中的重要性有哪些? 130
NO2.泊松過程和更新過程的區別和聯繫是什麼? 130
本章小結131
第7章 凸優化132
7.1 凸優化問題133
7.2 無約束的優化問題138
小試牛刀15:Python編程實現簡單的梯度下降法146
7.3 等式約束的優化問題147
7.4 不等式約束的優化問題150
7.5 帶L1範數正則的優化問題159
7.6 工程中常用的優化算法165
小試牛刀16:Python編程求解凸優化問題170
專家點撥179
NO1.對於工程應用來說如何學習凸優化? 179
NO2.為什麼拉格朗日對偶函數一定是凹函數? 179
本章小結180
第8章 圖論181
8.1 圖論基礎182
8.2 有向圖和無向圖184
小試牛刀17:Python編程繪製有向圖和無向圖186
8.3 拓撲排序192
8.4 短路徑193
小試牛刀18:Python編程解決短路徑問題196
8.5 小生成樹205
小試牛刀19:Python編程解決小生成樹問題208
專家點撥215
NO1.圖論的作用是什麼? 215
NO2.怎麼去學習圖論呢? 215
本章小結215
第9章 微積分的應用案例216
9.1 案例01:家禽出售的時機217
9.2 案例02:允許缺貨模型219
本章小結222
第10章 線性代數的應用案例223
10.1 案例03:投入產出問題224
10.2 案例04:金融公司支付基金的流動問題225
本章小結228
第11章 概率統計的應用案例229
11.1 案例05:貝葉斯網絡實現交通事故預測230
11.2 案例06:HMM實現天氣預測235
本章小結237
第12章 綜合應用案例238
12.1 案例07:工業異常參數的離群點檢測239
12.2 案例08:工廠發電量預測246
本章小結253
參考文獻254