從零開始 機器學習的數學原理和算法實踐

大威

  • 出版商: 人民郵電
  • 出版日期: 2021-06-01
  • 售價: $414
  • 貴賓價: 9.5$393
  • 語言: 簡體中文
  • 頁數: 254
  • 裝訂: 平裝
  • ISBN: 7115556962
  • ISBN-13: 9787115556967
  • 相關分類: Machine Learning 機器學習
  • 立即出貨 (庫存 < 3)

  • 從零開始 機器學習的數學原理和算法實踐-preview-1
  • 從零開始 機器學習的數學原理和算法實踐-preview-2
從零開始 機器學習的數學原理和算法實踐-preview-1

買這商品的人也買了...

商品描述

零基礎讀者應如何快速入門機器學習?數學基礎薄弱的讀者應如何理解機器學習中的數學原理?這些正是本書要解決的問題。本書從數學基礎知識入手,通過前3章的介紹,幫助讀者輕松復習機器學習涉及的數學知識;然後,通過第4-第13章的介紹,逐步講解機器學習常見算法的相關知識,幫助讀者快速入門機器學習;最後,通過第14章的綜合實踐,幫助讀者回顧本書內容,進一步鞏固所學知識。

《機器學習的數學原理和算法實踐》適合對機器學習感興趣但數學基礎比較薄弱的讀者學習,也適合作為相關專業的學生入門機器學習的參考用書。

  

作者簡介

大威,本名張威,西安交通大學工科試驗班(工管貫通班)碩士畢業,信息系統項目管理師(高級資質)、高級經濟師、中國計算機學會會員、中國通信學會會員。
擁有多年數據建模、數據挖掘與商業諮詢經驗,現就職於某行業領先的大數據公司,負責大數據產品及人工智能產品的規劃設計管理工作。

目錄大綱

第1章補基礎:不怕學不懂微積分1
1.1深入理解導數的本質2
1.1.1哲學層面理解變化2
1.1.2生活中處處有函數3
1.1.3從瞬時速度到導數3
1.1.4從近似運動來理解導數4
1.1.5直觀理解複合函數求導6
1.2理解多元函數偏導7
1.2.1多元函數偏導數是什麼7
1 .2.2搞清楚梯度是什麼7
1.3理解微積分8
1.3.1直觀理解積分8
1.3.2直觀理解微積分基本定理10
1.4泰勒公式太重要了11
1.4 .1泰勒公式是什麼11
1.4.2泰勒公式的典型應用11
1.4.3直觀理解泰勒公式的來龍去脈12
1.4.4微積分基本定理與泰勒公式的關係14

第2章補基礎:不怕學不懂線性代數15
2.1直觀理解向量16
2.1.1理解向量加法與數乘17
2.1.2理解向量乘法的本質19
2.1.3理解基向量與線性無關21
2.2直觀理解矩陣22
2.2.1理解矩陣運算規則22
2.2.2理解矩陣向量乘法的本質24
2.2.3深刻理解矩陣乘法的本質29
2.3理解線性方程組求解的本質30
2.3.1直觀理解方程組的解31
2.3.2如何尋找解的表達式34
2.3.3深刻理解逆矩陣的本質36
2.3 .4直觀理解行列式的本質40
2.4徹底理解最小二乘法的本質42
2.4.1如何求解無解的方程組43
2.4.2論證n維子空間上的情況48
2.4 .3搞懂施密特正交化是什麼50
2.4.4理解最小二乘法的本質53
2.5直觀理解相似矩陣對角化54
2.5.1相似矩陣是什麼55
2.5. 2如何理解特徵值與特徵向量59
2.5.3直觀理解相似矩陣的對角化62

第3章補基礎:不怕學不懂概率統計64
3.1什麼是概率64
3.1.1最簡單的概率的例子64
3.1.2概率論與數理統計的關係65
3.2搞懂大數定律與中心極限定理65
3.2.1大數定律想表達什麼65
3.2.2中心極限定理想表達什麼67
3.2.3大數定律與中心極限定理的區別70
3.3理解概率統計中的重要分佈70
3.3.1真正搞懂正態分佈70
3.3.2真正搞懂泊松分佈74
3.4理解樸素貝葉斯思想很重要75
3.4.1如何理解條件概率75
3.4.2如何理解貝葉斯公式76
3.4.3貝葉斯公式的應用76
3.4.4最大似然估計77

第4章全景圖:機器學習路線圖79
4.1通俗講解機器學習是什麼79
4.1.1究竟什麼是機器學習79
4.1.2機器學習的分類81
4.2機器學習所需環境介紹82
4.2. 1 Python的優勢83
4.2.2 Python下載、安裝及使用83
4.3跟著例子熟悉機器學習全過程84
4.4準備數據包括什麼87
4.4.1數據採集87
4.4.2數據清洗88
4.4.3不均衡樣本處理88
4.4.4數據類型轉換89
4.4.5數據標準化90
4.4.6特徵工程90
4.5如何選擇算法92
4.5.1單一算法模型92
4.5.2集成學習模型92
4.5.3算法選擇路徑96
4.6調參優化怎麼處理97
4.6.1關於調參的幾個常識97
4.6.2模型欠擬合與過擬合98
4.6.3常見算法調參的內容98
4.6.4算法調參的實踐方法99
4.7如何進行性能評估100
4.7.1回歸預測性能度量100
4.7.2分類任務性能度量100

第5章數據降維:深入理解PCA的來龍去脈102
5.1 PCA是什麼103
5. 2用一個例子來理解PCA過程103
5.3如何尋找降維矩陣P 106
5.4 PCA降維的核心思想107
5.4.1核心思想一:基變換向量投影108
5.4.2核心思想二:協方差歸零投影112
5.4.3核心思想三:最大方差投影114
5.4.4 PCA降維的關鍵:協方差矩陣對角化116
5.5面向零基礎讀者詳解PCA降維116
5.5.1計算矩陣Y的協方差矩陣Cy 116
5.5.2矩陣Y的協方差矩陣Cy對角化118
5.5.3求解降維矩陣P 120
5.6編程實踐:手把手教你寫代碼122
5.6.1背景任務介紹:鳶尾花數據降維122
5.6.2代碼展示:手把手教你寫123
5.6.3代碼詳解:一步一步講解清楚123

第6章凸優化核心過程:真正搞懂梯度下降過程126
6.1通俗講解凸函數126
6.1.1什麼是凸集126
6.1.2什麼是凸函數127
6.1.3機器學習“熱愛”凸函數128
6.2通俗講解梯度下降128
6.2.1梯度是什麼130
6.2.2梯度下降與參數求解130
6.2.3梯度下降具體過程演示131
6.3編程實踐:手把手教你寫代碼132
6.3.1一元函數的梯度下降132
6.3.2多元函數的梯度下降137

第7章搞懂算法:線性回歸是怎麼回事142
7.1什麼是線性回歸142
7.2線性回歸算法解決什麼問題143
7.3線性回歸算法實現過程143
7.4編程實踐:手把手教你寫代碼146
7.4.1背景任務介紹:預測房價情況146
7.4.2代碼展示:手把手教你寫147
7.4.3代碼詳解:一步一步講解清楚147

第8章搞懂算法:邏輯回歸是怎麼回事150
8.1如何理解邏輯回歸150
8.2邏輯回歸算法實現過程151
8.3編程實踐:手把手教你寫代碼155
8.3.1背景任務介紹:用邏輯回歸分類預測腫瘤155
8.3.2代碼展示:手把手教你寫155
8.3.3代碼詳解:一步一步講解清楚156

第9章搞懂算法:決策樹是怎麼回事159
9.1典型的決策樹是什麼樣的159
9.2決策樹算法的關鍵是什麼160
9.3信息、信息量與信息熵161
9.4信息增益的計算過程163
9.5剪枝處理是怎麼回事167
9.6編程實踐:手把手教你寫代碼167
9.6.1背景任務介紹:用決策樹分類預測乳腺癌167
9.6.2代碼展示:手把手教你寫167
9.6.3代碼詳解:一步一步講解清楚168

第10章搞懂算法:支持向量機是怎麼回事171
10.1 SVM有什麼用171
10.2 SVM算法原理和過程是什麼172
10.2.1分離超平面是什麼172
10.2.2間隔與支持向量是什麼175
10.3編程實踐:手把手教你寫代碼180
10.3.1背景任務介紹:用SVM分類預測乳腺癌180
10.3.2代碼展示:手把手教你寫180
10.3.3代碼詳解:一步一步講解清楚181

第11章搞懂算法:聚類是怎麼回事184
11.1聚類算法介紹184
11.1.1聚類是什麼184
11.1.2聚類算法應用場景185
11.2通俗講解聚類算法過程186
11.2.1相似度如何度量186
11.2.2聚類性能如何度量188
11.2.3具體算法介紹:K-means算法188
11.2.4具體算法介紹:K-means++算法189
11.3編程實踐:手把手教你寫代碼191
11.3.1背景任務介紹:手寫數字圖像聚類191
11.3.2代碼展示:手把手教你寫191
11.3.3代碼詳解:一步一步講解清楚193

第12章搞懂算法:樸素貝葉斯是怎麼回事195
12.1樸素貝葉斯是什麼195
12.1.1條件概率是什麼195
12.1.2貝葉斯公式是什麼195
12.2樸素貝葉斯實現方法196
12.2.1伯努利樸素貝葉斯方法196
12.2.2高斯樸素貝葉斯方法198
12.2.3多項式樸素貝葉斯方法199
12.3編程實踐:手把手教你寫代碼200
12.3.1背景任務介紹:樸素貝葉斯分類預測文本類別200
12.3.2代碼展示:手把手教你寫201
12.3.3代碼詳解:一步一步講解清楚201

第13章搞懂算法:神經網絡是怎麼回事205
13.1從一個具體任務開始:識別數字206
13.2理解神經元是什麼207
13.2.1感知器是什麼207
13.2.2 S型神經元是什麼208
13.3理解典型神經網絡多層感知器210
13.3.1神經網絡結構是什麼210
13.3.2搞懂MLP的工作原理是什麼211
13.4 MLP的代價函數與梯度下降216
13. 4.1代價函數:參數優化的依據216
13.4.2梯度下降法:求解代價函數最小值217
13.5反向傳播算法的本質與推導過程219
13.5.1反向傳播算法:神經網絡的訓練算法219
13.5.2尋根究底:搞懂反向傳播算法的數學原理221
13.6編程實踐:手把手教你寫代碼224
13.6.1通過代碼深入理解反向傳播算法224
13. 6.2一個簡單的神經網絡分類算法實踐227

第14章綜合實踐:模型優化的經驗技巧230
14.1經驗技巧一:特徵處理230
14.1.1特徵提取:文本數據預處理230
14.1 .2特徵選擇:篩選特徵組合234
14.2經驗技巧二:模型配置優化235
14.2.1模型配置優化方法:交叉驗證235
14.2.2模型配置優化方法:超參數搜索237
14.3編程實踐:手把手教你寫代碼239
14.3.1背景任務介紹:乳腺癌分類預測多模型對比演示240
14.3.2算法介紹:本案例算法簡介240
14.3.3代碼展示:手把手教你寫241
14.3.4代碼詳解:一步一步講解清楚244
14.4經驗總結:機器學習經驗之談252
14.4.1機器學習中的誤區252
14 .4.2如何學好機器學習253