掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能系統與技術叢書機器學習中的概率統計:Python語言描述 版權信息
- ISBN：9787111669357
- 條形碼：9787111669357 ; 978-7-111-66935-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能系統與技術叢書機器學習中的概率統計:Python語言描述 本書特色
適讀人群 ：想要對機器學習進行深入學習的相關人士；想要對概率統計進一步深入系統地學習的學生和業內人士；金融量化等數據分析行業的從業者；理工科專業高年級本科生和研究生。（1）作者是資深AI技術專家，畢業于清華大學； （2）內容圍繞機器學習核心算法涉及的概率統計知識展開； （3）加強基礎知識與常用算法、應用案例之間的聯系； （4）運用Python工具，做到和工程應用的無縫對接； （5）精心設計的典型案例，幫助讀者高效構建機器學習概率統計理論與實踐體系。
智能系統與技術叢書機器學習中的概率統計:Python語言描述 內容簡介
內容簡介
本書圍繞機器學習算法中涉及的概率統計知識展開介紹，沿著概率思想、變量分布、參數估計、隨機過程和統計推斷的知識主線進行講解，結合數學的本質內涵，用淺顯易懂的語言講透深刻的數學思想，幫助讀者構建理論體系。同時，作者在講解的過程中注重應用場景的延伸，并利用Python工具無縫對接工程應用，幫助讀者學以致用。
?全書共5章。
?章以條件概率和獨立性作為切入點，幫助讀者建立認知概率世界的正確視角。
?第2章介紹隨機變量的基礎概念和重要分布類型，并探討多元隨機變量間的重要關系。
?第3章介紹極限思維以及蒙特卡羅方法，并重點分析極大似然估計方法以及有偏無偏等重要性質，*后拓展到含有隱變量的參數估計問題，介紹EM算法的原理及其應用。
?第4章由靜態的隨機變量過渡到動態的隨機過程，重點介紹馬爾可夫過程和隱馬爾可夫模型。
?第5章聚焦馬爾可夫鏈-蒙特卡羅方法，并列舉實例展示Metropolis-Hastings和Gibbs的具體采樣過程。
智能系統與技術叢書機器學習中的概率統計:Python語言描述 目錄
第1章 概率思想：構建理論基礎 1
1.1 理論基石：條件概率、獨立性與貝葉斯 1
1.1.1 從概率到條件概率 1
1.1.2 條件概率的具體描述 2
1.1.3 條件概率的表達式分析 3
1.1.4 兩個事件的獨立性 4
1.1.5 從條件概率到全概率公式 5
1.1.6 聚焦貝葉斯公式 6
1.1.7 本質內涵：由因到果，由果推因 7
1.2 事件的關系：深入理解獨立性 8
1.2.1 重新梳理兩個事件的獨立性 8
1.2.2 不相容與獨立性 8
1.2.3 條件獨立 9
1.2.4 獨立與條件獨立 11
1.2.5 獨立重復實驗 11
第2章 變量分布：描述隨機世界 13
2.1 離散型隨機變量：分布與數字特征 13
2.1.1 從事件到隨機變量 13
2.1.2 離散型隨機變量及其要素 14
2.1.3 離散型隨機變量的分布列 15
2.1.4 分布列和概率質量函數 16
2.1.5 二項分布及二項隨機變量 17
2.1.6 幾何分布及幾何隨機變量 21
2.1.7 泊松分布及泊松隨機變量 24
2.2 連續型隨機變量：分布與數字特征 27
2.2.1 概率密度函數 27
2.2.2 連續型隨機變量區間概率的計算 29
2.2.3 連續型隨機變量的期望與方差 29
2.2.4 正態分布及正態隨機變量 30
2.2.5 指數分布及指數隨機變量 33
2.2.6 均勻分布及其隨機變量 35
2.3 多元隨機變量（上）：聯合、邊緣與條件 38
2.3.1 實驗中引入多個隨機變量 38
2.3.2 聯合分布列 38
2.3.3 邊緣分布列 39
2.3.4 條件分布列 40
2.3.5 集中梳理核心的概率理論 44
2.4 多元隨機變量（下）：獨立與相關 46
2.4.1 隨機變量與事件的獨立性 46
2.4.2 隨機變量之間的獨立性 47
2.4.3 獨立性示例 48
2.4.4 條件獨立的概念 48
2.4.5 獨立隨機變量的期望和方差 50
2.4.6 隨機變量的相關性分析及量化方法 52
2.4.7 協方差及協方差矩陣 52
2.4.8 相關系數的概念 54
2.5 多元隨機變量實踐：聚焦多元正態分布 55
2.5.1 再談相關性：基于二元標準正態分布 55
2.5.2 二元一般正態分布 57
2.5.3 聚焦相關系數 60
2.5.4 獨立和相關性的關系 64
2.6 多元高斯分布：參數特征和幾何意義 66
2.6.1 從一元分布到多元分布 66
2.6.2 多元高斯分布的參數形式 67
2.6.3 二元高斯分布的具體示例 68
2.6.4 多元高斯分布的幾何特征 71
2.6.5 二元高斯分布幾何特征實例分析 74
第3章 參數估計：探尋*大可能 77
3.1 極限思維：大數定律與中心極限定理 77
3.1.1 一個背景話題 77
3.1.2 大數定律 78
3.1.3 大數定律的模擬 80
3.1.4 中心極限定理 83
3.1.5 中心極限定理的工程意義 84
3.1.6 中心極限定理的模擬 85
3.1.7 大數定律的應用：蒙特卡羅方法 86
3.2 推斷未知：統計推斷的基本框架 89
3.3 極大似然估計 100
3.4 含有隱變量的參數估計問題 110
3.5 概率漸增：EM算法的合理性 118
3.6 探索EM公式的底層邏輯與由來 123
3.7 探索高斯混合模型：EM 迭代實踐 127
3.8 高斯混合模型的參數求解 132
第4章 隨機過程：聚焦動態特征 145
4.1 由靜向動：隨機過程導引 145
4.2 狀態轉移：初識馬爾可夫鏈 155
4.3 變與不變：馬爾可夫鏈的極限與穩態 164
4.4 隱馬爾可夫模型：明暗兩條線 176
4.5 概率估計：隱馬爾可夫模型觀測序列描述 183
4.6 狀態解碼：隱馬爾可夫模型隱狀態揭秘 194
4.7 連續域上的無限維：高斯過程 204
第5章 統計推斷：貫穿近似策略 215
5.1 統計推斷的基本思想和分類 215
5.2 隨機近似方法 219
5.3 采樣絕佳途徑：借助馬爾可夫鏈的穩態性質 228
5.4 馬爾可夫鏈-蒙特卡羅方法詳解 242
5.5 Gibbs采樣方法簡介 253
展開全部
智能系統與技術叢書機器學習中的概率統計:Python語言描述 作者簡介
張雨萌 資深人工智能技術專家，畢業于清華大學計算機系，長期從事人工智能領域相關研究工作，諳熟機器學習算法應用及其背后的數學基礎理論。目前已出版多部機器學習數學基礎類暢銷書籍，廣受讀者好評。
書友推薦
- >
小考拉的故事-套裝共3冊
- >
山海經
- >
二體千字文
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
有舍有得是人生
- >
煙與鏡
- >
朝聞道
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
