中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥63.1
加入購(gòu)物車
Python機(jī)器學(xué)習(xí)的數(shù)學(xué) 版權(quán)信息
- ISBN：9787115542939
- 條形碼：9787115542939 ; 978-7-115-54293-9
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
Python機(jī)器學(xué)習(xí)的數(shù)學(xué) 本書特色
·上海交通大學(xué)特別研究員、阿里巴巴、百度算法專家、優(yōu)酷首席科學(xué)家、谷歌機(jī)器學(xué)習(xí)開發(fā)者專家力薦教材·透徹地理解機(jī)器學(xué)習(xí)算法，從數(shù)學(xué)層面搞懂這些核心算法原理的邏輯，具備推導(dǎo)和證明算法的能力·在解決人工智能工程實(shí)踐的問題中，能夠用數(shù)學(xué)知識(shí)進(jìn)行分析和建模·精準(zhǔn)覆蓋人工智能領(lǐng)域中機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)相關(guān)的數(shù)學(xué)知識(shí)·從機(jī)器學(xué)習(xí)應(yīng)用的角度講授數(shù)學(xué)，讓數(shù)學(xué)在機(jī)器學(xué)習(xí)中的應(yīng)用無(wú)縫銜接·涵蓋概率論、信息論、**化方法等機(jī)器學(xué)習(xí)中的目標(biāo)函數(shù)構(gòu)造、模型優(yōu)化以及各種機(jī)器學(xué)習(xí)算法的核心知識(shí)·囊括了微積分和線性代數(shù)等基本數(shù)學(xué)知識(shí)
Python機(jī)器學(xué)習(xí)的數(shù)學(xué) 內(nèi)容簡(jiǎn)介
本書的目標(biāo)是幫助讀者全面、系統(tǒng)地學(xué)習(xí)機(jī)器學(xué)習(xí)所必須的數(shù)學(xué)知識(shí)。全書由8章組成，力求精準(zhǔn)、很小地覆蓋機(jī)器學(xué)習(xí)的數(shù)學(xué)知識(shí)。包括微積分，線性代數(shù)與矩陣論，很優(yōu)化方法，概率論，信息論，隨機(jī)過程，以及圖論。本書從機(jī)器學(xué)習(xí)的角度講授這些數(shù)學(xué)知識(shí)，對(duì)它們?cè)谠擃I(lǐng)域的應(yīng)用舉例說(shuō)明，使讀者對(duì)某些抽象的數(shù)學(xué)知識(shí)和理論的實(shí)際應(yīng)用有直觀、具體的認(rèn)識(shí)。 本書內(nèi)容緊湊，結(jié)構(gòu)清晰，深入淺出，講解詳細(xì)。可用作計(jì)算機(jī)、人工智能、電子工程、自動(dòng)化、數(shù)學(xué)等相關(guān)專業(yè)的教材與教學(xué)參考書。對(duì)人工智能領(lǐng)域的工程技術(shù)人員與產(chǎn)品研發(fā)人員，本書也有很強(qiáng)的參考價(jià)值。對(duì)于廣大數(shù)學(xué)與應(yīng)用的數(shù)學(xué)愛好者，本書亦為適合自學(xué)的讀本。
Python機(jī)器學(xué)習(xí)的數(shù)學(xué) 目錄
第1 章一元函數(shù)微積分1
1．1 極限與連續(xù) 1
1．1．1 可數(shù)集與不可數(shù)集 1
1．1．2 數(shù)列的極限 3
1．1．3 函數(shù)的極限 7
1．1．4 函數(shù)的連續(xù)性與間斷點(diǎn) 9
1．1．5 上確界與下確界 11
1．1．6 李普希茨連續(xù)性 12
1．1．7 無(wú)窮小量 13
1．2 導(dǎo)數(shù)與微分 14
1．2．1 一階導(dǎo)數(shù) 14
1．2．2 機(jī)器學(xué)習(xí)中的常用函數(shù) 20
1．2．3 高階導(dǎo)數(shù) 22
1．2．4 微分 24
1．2．5 導(dǎo)數(shù)與函數(shù)的單調(diào)性 25
1．2．6 極值判別法則 26
1．2．7 導(dǎo)數(shù)與函數(shù)的凹凸性 28
1．3 微分中值定理 29
1．3．1 羅爾中值定理 29
1．3．2 拉格朗日中值定理 29
1．3．3 柯西中值定理 31
1．4 泰勒公式 31
1．5 不定積分 33
1．5．1 不定積分的定義與性質(zhì) 33
1．5．2 換元積分法 35
1．5．3 分部積分法 36
1．6 定積分 37
1．6．1 定積分的定義與性質(zhì) 38
1．6．2 牛頓-萊布尼茨公式 39
1．6．3 定積分的計(jì)算 40
1．6．4 變上限積分 41
1．6．5 定積分的應(yīng)用 42
1．6．6 廣義積分 44
1．7 常微分方程 45
1．7．1 基本概念 45
1．7．2 一階線性微分方程 46
第2 章線性代數(shù)與矩陣論49
2．1 向量及其運(yùn)算 49
2．1．1 基本概念 49
2．1．2 基本運(yùn)算 51
2．1．3 向量的范數(shù) 53
2．1．4 解析幾何 55
2．1．5 線性相關(guān)性 57
2．1．6 向量空間 58
2．1．7 應(yīng)用——線性回歸 61
2．1．8 應(yīng)用——線性分類器與支持
向量機(jī) 62
2．2 矩陣及其運(yùn)算 65
2．2．1 基本概念 65
2．2．2 基本運(yùn)算 67
2．2．3 逆矩陣 72
2．2．4 矩陣的范數(shù) 78
2．2．5 應(yīng)用——人工神經(jīng)網(wǎng)絡(luò) 78
2．2．6 線性變換 81
2．3 行列式 82
2．3．1 行列式的定義與性質(zhì) 83
2．3．2 計(jì)算方法 91
2．4 線性方程組 92
2．4．1 高斯消元法 92
2．4．2 齊次方程組 93
2．4．3 非齊次方程組 95
2．5 特征值與特征向量 97
2．5．1 特征值與特征向量 97
2．5．2 相似變換 105
2．5．3 正交變換 106
2．5．4 QR 算法 110
2．5．5 廣義特征值 112
2．5．6 瑞利商 112
2．5．7 譜范數(shù)與特征值的關(guān)系 114
2．5．8 條件數(shù) 114
2．5．9 應(yīng)用——譜歸一化與譜正則化 115
2．6 二次型 116
2．6．1 基本概念 116
2．6．2 正定二次型與正定矩陣 116
2．6．3 標(biāo)準(zhǔn)型 119
2．7 矩陣分解 121
2．7．1 楚列斯基分解 121
2．7．2 QR 分解 123
2．7．3 特征值分解 127
2．7．4 奇異值分解 128
第3 章多元函數(shù)微積分133
3．1 偏導(dǎo)數(shù) 133
3．1．1 一階偏導(dǎo)數(shù) 133
3．1．2 高階偏導(dǎo)數(shù) 134
3．1．3 全微分 136
3．1．4 鏈?zhǔn)椒▌t 136
3．2 梯度與方向?qū)?shù) 138
3．2．1 梯度 138
3．2．2 方向?qū)?shù) 139
3．2．3 應(yīng)用——邊緣檢測(cè)與HOG
特征 139
3．3 黑塞矩陣 140
3．3．1 黑塞矩陣的定義與性質(zhì) 141
3．3．2 凹凸性 141
3．3．3 極值判別法則 143
3．3．4 應(yīng)用——*小二乘法 145
3．4 雅可比矩陣 146
3．4．1 雅可比矩陣的定義和性質(zhì) 146
3．4．2 鏈?zhǔn)椒▌t的矩陣形式 148
3．5 向量與矩陣求導(dǎo) 150
3．5．1 常用求導(dǎo)公式 150
3．5．2 應(yīng)用——反向傳播算法 154
3．6 微分算法 156
3．6．1 符號(hào)微分 156
3．6．2 數(shù)值微分 157
3．6．3 自動(dòng)微分 158
3．7 泰勒公式 159
3．8 多重積分 161
3．8．1 二重積分 161
3．8．2 三重積分 164
3．8．3 n 重積分 167
3．9 無(wú)窮級(jí)數(shù) 170
3．9．1 常數(shù)項(xiàng)級(jí)數(shù) 170
3．9．2 函數(shù)項(xiàng)級(jí)數(shù) 173
第4 章*優(yōu)化方法176
4．1 基本概念 176
4．1．1 問題定義 177
4．1．2 迭代法的基本思想 179
4．2 一階優(yōu)化算法 180
4．2．1 梯度下降法 180
4．2．2 *速下降法 183
4．2．3 梯度下降法的改進(jìn) 184
4．2．4 隨機(jī)梯度下降法 186
4．2．5 應(yīng)用——人工神經(jīng)網(wǎng)絡(luò) 187
4．3 二階優(yōu)化算法 188
4．3．1 牛頓法 188
4．3．2 擬牛頓法 189
4．4 分治法 193
4．4．1 坐標(biāo)下降法 193
4．4．2 SMO 算法 194
4．4．3 分階段優(yōu)化 195
4．4．4 應(yīng)用——logistic 回歸 196
4．5 凸優(yōu)化問題 198
4．5．1 數(shù)值優(yōu)化算法面臨的問題 198
4．5．2 凸集 199
4．5．3 凸優(yōu)化問題及其性質(zhì) 200
4．5．4 機(jī)器學(xué)習(xí)中的凸優(yōu)化問題 201
4．6 帶約束的優(yōu)化問題 202
4．6．1 拉格朗日乘數(shù)法 202
4．6．2 應(yīng)用——線性判別分析 204
4．6．3 拉格朗日對(duì)偶 205
4．6．4 KKT 條件 208
4．6．5 應(yīng)用——支持向量機(jī) 209
4．7 多目標(biāo)優(yōu)化問題 213
4．7．1 基本概念 213
4．7．2 求解算法 215
4．7．3 應(yīng)用——多目標(biāo)神經(jīng)結(jié)構(gòu)搜
索 215
4．8 泛函極值與變分法 216
4．8．1 泛函與變分 217
4．8．2 歐拉—拉格朗日方程 218
4．8．3 應(yīng)用——證明兩點(diǎn)之間直線
*短 220
4．9 目標(biāo)函數(shù)的構(gòu)造 221
4．9．1 有監(jiān)督學(xué)習(xí) 221
4．9．2 無(wú)監(jiān)督學(xué)習(xí) 224
4．9．3 強(qiáng)化學(xué)習(xí) 225
第5 章概率論228
5．1 隨機(jī)事件與概率 229
5．1．1 隨機(jī)事件概率 229
5．1．2 條件概率 233
5．1．3 全概率公式 234
5．1．4 貝葉斯公式 235
5．1．5 條件獨(dú)立 236
5．2 隨機(jī)變量 236
5．2．1 離散型隨機(jī)變量 236
5．2．2 連續(xù)型隨機(jī)變量 237
5．2．3 數(shù)學(xué)期望 240
5．2．4 方差與標(biāo)準(zhǔn)差 242
5．2．5 Jensen 不等式 243
5．3 常用概率分布 244
5．3．1 均勻分布 244
5．3．2 伯努利分布 246
5．3．3 二項(xiàng)分布 247
5．3．4 多項(xiàng)分布 248
5．3．5 幾何分布 249
5．3．6 正態(tài)分布 250
5．3．7 t 分布 252
5．3．8 應(yīng)用——顏色直方圖 253
5．3．9 應(yīng)用——貝葉斯分類器 254
5．4 分布變換 254
5．4．1 隨機(jī)變量函數(shù) 254
5．4．2 逆變換采樣算法 256
5．5 隨機(jī)向量 258
5．5．1 離散型隨機(jī)向量 258
5．5．2 連續(xù)型隨機(jī)向量 260
5．5．3 數(shù)學(xué)期望 261
5．5．4 協(xié)方差 262
5．5．5 常用概率分布 265
5．5．6 分布變換 268
5．5．7 應(yīng)用——高斯混合模型 269
5．6 極限定理 271
5．6．1 切比雪夫不等式 271
5．6．2 大數(shù)定律 271
5．6．3 中心極限定理 273
5．7 參數(shù)估計(jì) 273
5．7．1 *大似然估計(jì) 274
5．7．2 *大后驗(yàn)概率估計(jì) 276
5．7．3 貝葉斯估計(jì) 278
5．7．4 核密度估計(jì) 278
5．7．5 應(yīng)用——logistic 回歸 280
5．7．6 應(yīng)用——EM 算法 282
5．7．7 應(yīng)用——Mean Shift 算法 286
5．8 隨機(jī)算法 288
5．8．1 基本隨機(jī)數(shù)生成算法 288
5．8．2 遺傳算法 290
5．8．3 蒙特卡洛算法 293
5．9 采樣算法 295
5．9．1 拒絕采樣 296
5．9．2 重要性采樣 297
第6 章信息論298
6．1 熵與聯(lián)合熵 298
6．1．1 信息量與熵 298
6．1．2 熵的性質(zhì) 300
6．1．3 應(yīng)用——決策樹 302
6．1．4 聯(lián)合熵 303
6．2 交叉熵 305
6．2．1 交叉熵的定義 306
6．2．2 交叉熵的性質(zhì) 306
6．2．3 應(yīng)用——softmax 回歸 307
6．3 Kullback-Leibler 散度 309
6．3．1 KL 散度的定義 309
6．3．2 KL 散度的性質(zhì) 311
6．3．3 與交叉熵的關(guān)系 312
6．3．4 應(yīng)用——流形降維 312
6．3．5 應(yīng)用——變分推斷 313
6．4 Jensen-Shannon 散度 316
6．4．1 JS 散度的定義 316
6．4．2 JS 散度的性質(zhì) 316
6．4．3 應(yīng)用——生成對(duì)抗網(wǎng)絡(luò) 317
6．5 互信息 320
6．5．1 互信息的定義 320
6．5．2 互信息的性質(zhì) 321
6．5．3 與熵的關(guān)系 322
6．5．4 應(yīng)用——特征選擇 323
6．6 條件熵 324
6．6．1 條件熵定義 324
6．6．2 條件熵的性質(zhì) 325
6．6．3 與熵以及互信息的關(guān)系 325
6．7 總結(jié) 326
第7 章隨機(jī)過程328
7．1 馬爾可夫過程 328
7．1．1 馬爾可夫性 329
7．1．2 馬爾可夫鏈的基本概念 330
7．1．3 狀態(tài)的性質(zhì)與分類 333
7．1．4 平穩(wěn)分布與極限分布 337
7．1．5 細(xì)致平衡條件 342
7．1．6 應(yīng)用——隱馬爾可夫模型 343
7．1．7 應(yīng)用——強(qiáng)化學(xué)習(xí) 345
7．2 馬爾可夫鏈采樣算法 348
7．2．1 基本馬爾可夫鏈采樣 349
7．2．2 MCMC 采樣算法 349
7．2．3 Metropolis-Hastings 算法 351
7．2．4 Gibbs 算法 353
7．3 高斯過程 355
7．3．1 高斯過程性質(zhì) 355
7．3．2 高斯過程回歸 355
7．3．3 應(yīng)用——貝葉斯優(yōu)化 358
第8 章圖論363
8．1 圖的基本概念 363
8．1．1 基本概念 363
8．1．2 應(yīng)用——計(jì)算圖與自動(dòng)微分 365
8．1．3 應(yīng)用——概率圖模型 370
8．1．4 鄰接矩陣與加權(quán)度矩陣 371
8．1．5 應(yīng)用——樣本集的相似度圖 372
8．2 若干特殊的圖 373
8．2．1 聯(lián)通圖 373
8．2．2 二部圖 374
8．2．3 應(yīng)用——受限玻爾茲曼機(jī) 374
8．2．4 有向無(wú)環(huán)圖 376
8．2．5 應(yīng)用——神經(jīng)結(jié)構(gòu)搜索 376
8．3 重要的算法 380
8．3．1 遍歷算法 380
8．3．2 *短路徑算法 381
8．3．3 拓?fù)渑判蛩惴?382
8．4 譜圖理論 384
8．4．1 拉普拉斯矩陣 385
8．4．2 歸一化拉普拉斯矩陣 388
8．4．3 應(yīng)用——流形降維 390
1．1 極限與連續(xù) 1
1．1．1 可數(shù)集與不可數(shù)集 1
1．1．2 數(shù)列的極限 3
1．1．3 函數(shù)的極限 7
1．1．4 函數(shù)的連續(xù)性與間斷點(diǎn) 9
1．1．5 上確界與下確界 11
1．1．6 李普希茨連續(xù)性 12
1．1．7 無(wú)窮小量 13
1．2 導(dǎo)數(shù)與微分 14
1．2．1 一階導(dǎo)數(shù) 14
1．2．2 機(jī)器學(xué)習(xí)中的常用函數(shù) 20
1．2．3 高階導(dǎo)數(shù) 22
1．2．4 微分 24
1．2．5 導(dǎo)數(shù)與函數(shù)的單調(diào)性 25
1．2．6 極值判別法則 26
1．2．7 導(dǎo)數(shù)與函數(shù)的凹凸性 28
1．3 微分中值定理 29
1．3．1 羅爾中值定理 29
1．3．2 拉格朗日中值定理 29
1．3．3 柯西中值定理 31
1．4 泰勒公式 31
1．5 不定積分 33
1．5．1 不定積分的定義與性質(zhì) 33
1．5．2 換元積分法 35
1．5．3 分部積分法 36
1．6 定積分 37
1．6．1 定積分的定義與性質(zhì) 38
1．6．2 牛頓-萊布尼茨公式 39
1．6．3 定積分的計(jì)算 40
1．6．4 變上限積分 41
1．6．5 定積分的應(yīng)用 42
1．6．6 廣義積分 44
1．7 常微分方程 45
1．7．1 基本概念 45
1．7．2 一階線性微分方程 46
第2 章線性代數(shù)與矩陣論49
2．1 向量及其運(yùn)算 49
2．1．1 基本概念 49
2．1．2 基本運(yùn)算 51
2．1．3 向量的范數(shù) 53
2．1．4 解析幾何 55
2．1．5 線性相關(guān)性 57
2．1．6 向量空間 58
2．1．7 應(yīng)用——線性回歸 61
2．1．8 應(yīng)用——線性分類器與支持
向量機(jī) 62
2．2 矩陣及其運(yùn)算 65
2．2．1 基本概念 65
2．2．2 基本運(yùn)算 67
2．2．3 逆矩陣 72
2．2．4 矩陣的范數(shù) 78
2．2．5 應(yīng)用——人工神經(jīng)網(wǎng)絡(luò) 78
2．2．6 線性變換 81
2．3 行列式 82
2．3．1 行列式的定義與性質(zhì) 83
2．3．2 計(jì)算方法 91
2．4 線性方程組 92
2．4．1 高斯消元法 92
2．4．2 齊次方程組 93
2．4．3 非齊次方程組 95
2．5 特征值與特征向量 97
2．5．1 特征值與特征向量 97
2．5．2 相似變換 105
2．5．3 正交變換 106
2．5．4 QR 算法 110
2．5．5 廣義特征值 112
2．5．6 瑞利商 112
2．5．7 譜范數(shù)與特征值的關(guān)系 114
2．5．8 條件數(shù) 114
2．5．9 應(yīng)用——譜歸一化與譜正則化 115
2．6 二次型 116
2．6．1 基本概念 116
2．6．2 正定二次型與正定矩陣 116
2．6．3 標(biāo)準(zhǔn)型 119
2．7 矩陣分解 121
2．7．1 楚列斯基分解 121
2．7．2 QR 分解 123
2．7．3 特征值分解 127
2．7．4 奇異值分解 128
第3 章多元函數(shù)微積分133
3．1 偏導(dǎo)數(shù) 133
3．1．1 一階偏導(dǎo)數(shù) 133
3．1．2 高階偏導(dǎo)數(shù) 134
3．1．3 全微分 136
3．1．4 鏈?zhǔn)椒▌t 136
3．2 梯度與方向?qū)?shù) 138
3．2．1 梯度 138
3．2．2 方向?qū)?shù) 139
3．2．3 應(yīng)用——邊緣檢測(cè)與HOG
特征 139
3．3 黑塞矩陣 140
3．3．1 黑塞矩陣的定義與性質(zhì) 141
3．3．2 凹凸性 141
3．3．3 極值判別法則 143
3．3．4 應(yīng)用——*小二乘法 145
3．4 雅可比矩陣 146
3．4．1 雅可比矩陣的定義和性質(zhì) 146
3．4．2 鏈?zhǔn)椒▌t的矩陣形式 148
3．5 向量與矩陣求導(dǎo) 150
3．5．1 常用求導(dǎo)公式 150
3．5．2 應(yīng)用——反向傳播算法 154
3．6 微分算法 156
3．6．1 符號(hào)微分 156
3．6．2 數(shù)值微分 157
3．6．3 自動(dòng)微分 158
3．7 泰勒公式 159
3．8 多重積分 161
3．8．1 二重積分 161
3．8．2 三重積分 164
3．8．3 n 重積分 167
3．9 無(wú)窮級(jí)數(shù) 170
3．9．1 常數(shù)項(xiàng)級(jí)數(shù) 170
3．9．2 函數(shù)項(xiàng)級(jí)數(shù) 173
第4 章*優(yōu)化方法176
4．1 基本概念 176
4．1．1 問題定義 177
4．1．2 迭代法的基本思想 179
4．2 一階優(yōu)化算法 180
4．2．1 梯度下降法 180
4．2．2 *速下降法 183
4．2．3 梯度下降法的改進(jìn) 184
4．2．4 隨機(jī)梯度下降法 186
4．2．5 應(yīng)用——人工神經(jīng)網(wǎng)絡(luò) 187
4．3 二階優(yōu)化算法 188
4．3．1 牛頓法 188
4．3．2 擬牛頓法 189
4．4 分治法 193
4．4．1 坐標(biāo)下降法 193
4．4．2 SMO 算法 194
4．4．3 分階段優(yōu)化 195
4．4．4 應(yīng)用——logistic 回歸 196
4．5 凸優(yōu)化問題 198
4．5．1 數(shù)值優(yōu)化算法面臨的問題 198
4．5．2 凸集 199
4．5．3 凸優(yōu)化問題及其性質(zhì) 200
4．5．4 機(jī)器學(xué)習(xí)中的凸優(yōu)化問題 201
4．6 帶約束的優(yōu)化問題 202
4．6．1 拉格朗日乘數(shù)法 202
4．6．2 應(yīng)用——線性判別分析 204
4．6．3 拉格朗日對(duì)偶 205
4．6．4 KKT 條件 208
4．6．5 應(yīng)用——支持向量機(jī) 209
4．7 多目標(biāo)優(yōu)化問題 213
4．7．1 基本概念 213
4．7．2 求解算法 215
4．7．3 應(yīng)用——多目標(biāo)神經(jīng)結(jié)構(gòu)搜
索 215
4．8 泛函極值與變分法 216
4．8．1 泛函與變分 217
4．8．2 歐拉—拉格朗日方程 218
4．8．3 應(yīng)用——證明兩點(diǎn)之間直線
*短 220
4．9 目標(biāo)函數(shù)的構(gòu)造 221
4．9．1 有監(jiān)督學(xué)習(xí) 221
4．9．2 無(wú)監(jiān)督學(xué)習(xí) 224
4．9．3 強(qiáng)化學(xué)習(xí) 225
第5 章概率論228
5．1 隨機(jī)事件與概率 229
5．1．1 隨機(jī)事件概率 229
5．1．2 條件概率 233
5．1．3 全概率公式 234
5．1．4 貝葉斯公式 235
5．1．5 條件獨(dú)立 236
5．2 隨機(jī)變量 236
5．2．1 離散型隨機(jī)變量 236
5．2．2 連續(xù)型隨機(jī)變量 237
5．2．3 數(shù)學(xué)期望 240
5．2．4 方差與標(biāo)準(zhǔn)差 242
5．2．5 Jensen 不等式 243
5．3 常用概率分布 244
5．3．1 均勻分布 244
5．3．2 伯努利分布 246
5．3．3 二項(xiàng)分布 247
5．3．4 多項(xiàng)分布 248
5．3．5 幾何分布 249
5．3．6 正態(tài)分布 250
5．3．7 t 分布 252
5．3．8 應(yīng)用——顏色直方圖 253
5．3．9 應(yīng)用——貝葉斯分類器 254
5．4 分布變換 254
5．4．1 隨機(jī)變量函數(shù) 254
5．4．2 逆變換采樣算法 256
5．5 隨機(jī)向量 258
5．5．1 離散型隨機(jī)向量 258
5．5．2 連續(xù)型隨機(jī)向量 260
5．5．3 數(shù)學(xué)期望 261
5．5．4 協(xié)方差 262
5．5．5 常用概率分布 265
5．5．6 分布變換 268
5．5．7 應(yīng)用——高斯混合模型 269
5．6 極限定理 271
5．6．1 切比雪夫不等式 271
5．6．2 大數(shù)定律 271
5．6．3 中心極限定理 273
5．7 參數(shù)估計(jì) 273
5．7．1 *大似然估計(jì) 274
5．7．2 *大后驗(yàn)概率估計(jì) 276
5．7．3 貝葉斯估計(jì) 278
5．7．4 核密度估計(jì) 278
5．7．5 應(yīng)用——logistic 回歸 280
5．7．6 應(yīng)用——EM 算法 282
5．7．7 應(yīng)用——Mean Shift 算法 286
5．8 隨機(jī)算法 288
5．8．1 基本隨機(jī)數(shù)生成算法 288
5．8．2 遺傳算法 290
5．8．3 蒙特卡洛算法 293
5．9 采樣算法 295
5．9．1 拒絕采樣 296
5．9．2 重要性采樣 297
第6 章信息論298
6．1 熵與聯(lián)合熵 298
6．1．1 信息量與熵 298
6．1．2 熵的性質(zhì) 300
6．1．3 應(yīng)用——決策樹 302
6．1．4 聯(lián)合熵 303
6．2 交叉熵 305
6．2．1 交叉熵的定義 306
6．2．2 交叉熵的性質(zhì) 306
6．2．3 應(yīng)用——softmax 回歸 307
6．3 Kullback-Leibler 散度 309
6．3．1 KL 散度的定義 309
6．3．2 KL 散度的性質(zhì) 311
6．3．3 與交叉熵的關(guān)系 312
6．3．4 應(yīng)用——流形降維 312
6．3．5 應(yīng)用——變分推斷 313
6．4 Jensen-Shannon 散度 316
6．4．1 JS 散度的定義 316
6．4．2 JS 散度的性質(zhì) 316
6．4．3 應(yīng)用——生成對(duì)抗網(wǎng)絡(luò) 317
6．5 互信息 320
6．5．1 互信息的定義 320
6．5．2 互信息的性質(zhì) 321
6．5．3 與熵的關(guān)系 322
6．5．4 應(yīng)用——特征選擇 323
6．6 條件熵 324
6．6．1 條件熵定義 324
6．6．2 條件熵的性質(zhì) 325
6．6．3 與熵以及互信息的關(guān)系 325
6．7 總結(jié) 326
第7 章隨機(jī)過程328
7．1 馬爾可夫過程 328
7．1．1 馬爾可夫性 329
7．1．2 馬爾可夫鏈的基本概念 330
7．1．3 狀態(tài)的性質(zhì)與分類 333
7．1．4 平穩(wěn)分布與極限分布 337
7．1．5 細(xì)致平衡條件 342
7．1．6 應(yīng)用——隱馬爾可夫模型 343
7．1．7 應(yīng)用——強(qiáng)化學(xué)習(xí) 345
7．2 馬爾可夫鏈采樣算法 348
7．2．1 基本馬爾可夫鏈采樣 349
7．2．2 MCMC 采樣算法 349
7．2．3 Metropolis-Hastings 算法 351
7．2．4 Gibbs 算法 353
7．3 高斯過程 355
7．3．1 高斯過程性質(zhì) 355
7．3．2 高斯過程回歸 355
7．3．3 應(yīng)用——貝葉斯優(yōu)化 358
第8 章圖論363
8．1 圖的基本概念 363
8．1．1 基本概念 363
8．1．2 應(yīng)用——計(jì)算圖與自動(dòng)微分 365
8．1．3 應(yīng)用——概率圖模型 370
8．1．4 鄰接矩陣與加權(quán)度矩陣 371
8．1．5 應(yīng)用——樣本集的相似度圖 372
8．2 若干特殊的圖 373
8．2．1 聯(lián)通圖 373
8．2．2 二部圖 374
8．2．3 應(yīng)用——受限玻爾茲曼機(jī) 374
8．2．4 有向無(wú)環(huán)圖 376
8．2．5 應(yīng)用——神經(jīng)結(jié)構(gòu)搜索 376
8．3 重要的算法 380
8．3．1 遍歷算法 380
8．3．2 *短路徑算法 381
8．3．3 拓?fù)渑判蛩惴?382
8．4 譜圖理論 384
8．4．1 拉普拉斯矩陣 385
8．4．2 歸一化拉普拉斯矩陣 388
8．4．3 應(yīng)用——流形降維 390
展開全部
Python機(jī)器學(xué)習(xí)的數(shù)學(xué) 作者簡(jiǎn)介
雷明，資深機(jī)器學(xué)習(xí)、機(jī)器視覺專家。畢業(yè)于清華大學(xué)計(jì)算機(jī)系，研究方向?yàn)闄C(jī)器視覺、機(jī)器學(xué)習(xí)，曾發(fā)表論文數(shù)篇。《機(jī)器學(xué)習(xí)-原理、算法與應(yīng)用》暢銷書作者。曾任百度項(xiàng)目經(jīng)理；zmodo meShare公司CTO、平臺(tái)研發(fā)中心負(fù)責(zé)人。SIGAI創(chuàng)始人，致力于研發(fā)零編程、可視化的機(jī)器視覺框架，用標(biāo)準(zhǔn)化的算法賦能各個(gè)行業(yè)。
書友推薦
- >
二體千字文
- >
回憶愛瑪儂
- >
羅曼·羅蘭讀書隨筆-精裝
- >
龍榆生：詞曲概論/大家小書
- >
唐代進(jìn)士錄
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
【精裝繪本】畫給孩子的中國(guó)神話
- >
中國(guó)歷史的瞬間
本類暢銷
