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
Python程序員的數學基礎課 從理論到Python實踐 版權信息
- ISBN：9787115553614
- 條形碼：9787115553614 ; 978-7-115-55361-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
Python程序員的數學基礎課 從理論到Python實踐 本書特色
適讀人群 ：有一定數據結構和編程經驗的程序員，人工智能和機器學習算法的初級到中級學習者1.緊緊圍繞程序員的需求。 數學的課題非常廣泛，但本書沒有涉及數學領域的全部課題，而是從程序員的需求出發，精心挑選了編程所需的常用知識點，并實現學以致用。 2.結合生動的案例和形象的比喻解讀難點。 降低技術理解的門檻，讓程序員更容易理解數學背后的邏輯，并對實際生產問題進行數學建模，進而設計出更有效的算法，編寫出更優雅的代碼。 3.注重編程實踐。 除了闡述理論知識，書中還提供了要通過大量實踐才能積累的寶貴經驗，讓讀者有機會親自動手編寫Python 代碼，進而加深理解。 4.提供源代碼下載。
Python程序員的數學基礎課 從理論到Python實踐 內容簡介
本書緊貼計算機領域，從程序員的需求出發，精心挑選了程序員真正用得上的數學知識，通過生動的案例來解讀知識中的難點，使程序員更容易對實際問題進行數學建模，進而構建出更優化的算法和代碼。本書共分為三大模塊：“基礎思想”篇梳理編程中常用的數學概念和思想，既由淺入深地精講數據結構與數學中基礎、核心的數學知識，又闡明數學對編程和算法的真正意義；“概率統計”篇以概率統計中核心的貝葉斯公式為基點，向上講解隨機變量、概率分布等基礎概念，向下講解樸素貝葉斯，并分析其在生活和編程中的實際應用，使讀者真正理解概率統計的本質，跨越概念和應用之間的鴻溝；“線性代數”篇從線性代數中的核心概念向量、矩陣、線性方程入手，逐步深入分析這些概念是如何與計算機融會貫通以解決實際問題的。除了理論知識的闡述，本書還通過Python語言，分享了通過大量實踐積累下來的寶貴經驗和編碼，使讀者學有所用。 本書的內容從概念到應用，再到本質，層層深入，不但注重培養讀者養成良好的數學思維，而且努力使讀者的編程技術實現進階，很好適合希望從本質上提升編程質量的中級程序員閱讀和學習。
Python程序員的數學基礎課 從理論到Python實踐 目錄
第 一篇 基礎思想1
第 1章 二進制、余數和布爾代數2
1．1 二進制2
1．1．1 二進制計數法2
1．1．2 二進制的位操作3
1．1．3 負數的二進制表示11
1．2 余數15
1．2．1 求余和同余定理15
1．2．2 哈希16
1．2．3 奇偶校驗17
1．2．4 交叉驗證19
1．3 布爾代數19
1．3．1 邏輯19
1．3．2 集合23
第 2章 迭代、數學歸納和遞歸30
2．1 迭代法30
2．1．1 迭代法簡介30
2．1．2 迭代法的應用31
2．2 數學歸納法37
2．3 遞歸41
2．3．1 從數學歸納法到遞歸42
2．3．2 分而治之44
2．4 迭代法、數學歸納法和遞歸的關聯56
第3章 排列、組合和動態規劃58
3．1 排列58
3．2 組合62
3．3 動態規劃65
3．3．1 編輯距離66
3．3．2 狀態轉移67
3．3．3 狀態轉移方程和編程實現70
3．3．4 動態規劃解決*優組合72
第4章 樹和圖74
4．1 圖和樹的概念74
4．2 樹的常見應用77
4．2．1 WordNet中的關聯詞77
4．2．2 二叉樹81
4．3 樹的深度優先搜索和遍歷83
4．3．1 前綴樹的構建和查詢83
4．3．2 深度優先的實現88
4．4 樹和圖的廣度優先搜索和遍歷94
4．4．1 社交網絡中的好友問題94
4．4．2 實現社交好友推薦99
4．4．3 如何更高效地求兩個用戶間的*短路徑104
4．4．4 更有效的嵌套型聚合111
4．5 圖中的*短路徑114
4．5．1 基于廣度優先或深度優先搜索的方法115
4．5．2 一個優化的版本：Dijkstra算法116
第5章 編程中的數學思維126
5．1 數據結構、編程語言和基礎算法126
5．1．1 數據結構126
5．1．2 編程語句128
5．1．3 基礎算法128
5．2 算法復雜度分析129
5．2．1 復雜度分析的原理和法則130
5．2．2 復雜度分析的案例134
第二篇 概率統計138
第6章 概率和統計基礎139
6．1 概論和統計對于編程的意義139
6．1．1 概率和統計的概念139
6．1．2概率和統計可以做什么140
6．2 隨機變量、概率分布和期望值141
6．2．1 隨機變量141
6．2．2 概率分布142
6．2．3 期望值157
6．3 聯合概率、條件概率和貝葉斯定理159
6．3．1 聯合概率、條件概率和邊緣概率159
6．3．2 貝葉斯定理162
6．3．3 隨機變量之間的獨立性163
第7章 樸素貝葉斯分類165
7．1 原始信息的轉換165
7．2 樸素貝葉斯的核心思想166
7．3 基于樸素貝葉斯算法的文本分類170
7．3．1 文本分類系統的基本框架170
7．3．2 自然語言的預處理171
7．3．3 樸素貝葉斯模型的構建174
7．3．4 樸素貝葉斯模型的預測176
7．3．5 樸素貝葉斯分類的實現177
第8章 馬爾可夫過程181
8．1 語言模型181
8．1．1 鏈式法則181
8．1．2 馬爾可夫假設181
8．1．3 模型推導182
8．2 語言模型的應用183
8．2．1 信息檢索183
8．2．2 中文分詞184
8．3 馬爾可夫模型184
8．4 隱馬爾可夫模型188
8．4．1 模型的原理188
8．4．2 模型的求解192
8．4．3 模型的實現195
第9章 信息熵200
9．1信息熵和信息增益200
9．1．1 性格測試中的信息熵200
9．1．2 信息增益203
9．2 通過信息增益進行決策204
9．2．1 通過信息熵挑選合適的問題204
9．2．2 幾種決策樹算法207
9．3 特征選擇209
9．3．1 特征選擇209
9．3．2 利用信息熵進行特征選擇209
9．3．3 利用卡方檢驗進行特征選擇210
第 10章 數據分布212
10．1 特征變換212
10．1．1 為什么需要特征變換212
10．1．2 兩種常見的特征變換方法214
10．2 統計意義217
10．2．1 顯著性差異219
10．2．2 統計假設檢驗和顯著性檢驗220
10．2．3 P值220
10．2．4 不同的檢驗方法221
10．3 擬合、欠擬合和過擬合及其處理229
10．3．1 擬合、欠擬合和過擬合229
10．3．2欠擬合和過擬合的處理233
第三篇 線性代數235
第 11章 線性代數基礎236
11．1 向量和向量空間236
11．1．1 向量的概念236
11．1．2 向量的運算239
11．1．3 向量空間244
11．2 矩陣250
11．2．1 矩陣的運算250
11．2．2 矩陣運算的幾何意義252
第 12章 文本處理中的向量空間模型256
12．1 信息檢索256
12．1．1 信息檢索的概念256
12．1．2 信息檢索中的向量空間模型257
12．2 文本聚類259
12．2．1 聚類算法的概念259
12．2．2 使用向量空間進行聚類260
12．3 文本分類263
第 13章 對象間關系的刻畫——矩陣267
13．1 PageRank的矩陣實現267
13．1．1 PageRank算法的回顧267
13．1．2 簡化PageRank公式267
13．1．3 考慮隨機跳轉269
13．1．4 代碼的實現270
13．2 用矩陣實現推薦系統272
13．2．1 用矩陣實現推薦系統的核心思想272
13．2．2 基于用戶的過濾272
13．2．3 基于物品的過濾277
第 14章 矩陣的特征279
14．1 主成分分析（PCA）279
14．1．1 PCA的主要步驟279
14．1．2 PCA背后的核心思想286
14．2 奇異值分解（SVD）288
14．2．1 方陣的特征分解288
14．2．2 矩陣的奇異值分解289
14．2．3 潛在語義分析和SVD291
第 15章 回歸分析294
15．1 線性方程組294
15．1．1 高斯消元法295
15．1．2 使用矩陣實現高斯消元法296
15．2 *小二乘法299
15．2．1 通過觀測值的擬合300
15．2．2 *小二乘法302
15．2．3 補充證明和解釋303
15．2．4 演算示例305
第 16章 神經網絡311
16．1 神經網絡的基本原理311
16．2 基于TensorFlow的實現317
16．3 Word2Vec327
第 1章 二進制、余數和布爾代數2
1．1 二進制2
1．1．1 二進制計數法2
1．1．2 二進制的位操作3
1．1．3 負數的二進制表示11
1．2 余數15
1．2．1 求余和同余定理15
1．2．2 哈希16
1．2．3 奇偶校驗17
1．2．4 交叉驗證19
1．3 布爾代數19
1．3．1 邏輯19
1．3．2 集合23
第 2章 迭代、數學歸納和遞歸30
2．1 迭代法30
2．1．1 迭代法簡介30
2．1．2 迭代法的應用31
2．2 數學歸納法37
2．3 遞歸41
2．3．1 從數學歸納法到遞歸42
2．3．2 分而治之44
2．4 迭代法、數學歸納法和遞歸的關聯56
第3章 排列、組合和動態規劃58
3．1 排列58
3．2 組合62
3．3 動態規劃65
3．3．1 編輯距離66
3．3．2 狀態轉移67
3．3．3 狀態轉移方程和編程實現70
3．3．4 動態規劃解決*優組合72
第4章 樹和圖74
4．1 圖和樹的概念74
4．2 樹的常見應用77
4．2．1 WordNet中的關聯詞77
4．2．2 二叉樹81
4．3 樹的深度優先搜索和遍歷83
4．3．1 前綴樹的構建和查詢83
4．3．2 深度優先的實現88
4．4 樹和圖的廣度優先搜索和遍歷94
4．4．1 社交網絡中的好友問題94
4．4．2 實現社交好友推薦99
4．4．3 如何更高效地求兩個用戶間的*短路徑104
4．4．4 更有效的嵌套型聚合111
4．5 圖中的*短路徑114
4．5．1 基于廣度優先或深度優先搜索的方法115
4．5．2 一個優化的版本：Dijkstra算法116
第5章 編程中的數學思維126
5．1 數據結構、編程語言和基礎算法126
5．1．1 數據結構126
5．1．2 編程語句128
5．1．3 基礎算法128
5．2 算法復雜度分析129
5．2．1 復雜度分析的原理和法則130
5．2．2 復雜度分析的案例134
第二篇 概率統計138
第6章 概率和統計基礎139
6．1 概論和統計對于編程的意義139
6．1．1 概率和統計的概念139
6．1．2概率和統計可以做什么140
6．2 隨機變量、概率分布和期望值141
6．2．1 隨機變量141
6．2．2 概率分布142
6．2．3 期望值157
6．3 聯合概率、條件概率和貝葉斯定理159
6．3．1 聯合概率、條件概率和邊緣概率159
6．3．2 貝葉斯定理162
6．3．3 隨機變量之間的獨立性163
第7章 樸素貝葉斯分類165
7．1 原始信息的轉換165
7．2 樸素貝葉斯的核心思想166
7．3 基于樸素貝葉斯算法的文本分類170
7．3．1 文本分類系統的基本框架170
7．3．2 自然語言的預處理171
7．3．3 樸素貝葉斯模型的構建174
7．3．4 樸素貝葉斯模型的預測176
7．3．5 樸素貝葉斯分類的實現177
第8章 馬爾可夫過程181
8．1 語言模型181
8．1．1 鏈式法則181
8．1．2 馬爾可夫假設181
8．1．3 模型推導182
8．2 語言模型的應用183
8．2．1 信息檢索183
8．2．2 中文分詞184
8．3 馬爾可夫模型184
8．4 隱馬爾可夫模型188
8．4．1 模型的原理188
8．4．2 模型的求解192
8．4．3 模型的實現195
第9章 信息熵200
9．1信息熵和信息增益200
9．1．1 性格測試中的信息熵200
9．1．2 信息增益203
9．2 通過信息增益進行決策204
9．2．1 通過信息熵挑選合適的問題204
9．2．2 幾種決策樹算法207
9．3 特征選擇209
9．3．1 特征選擇209
9．3．2 利用信息熵進行特征選擇209
9．3．3 利用卡方檢驗進行特征選擇210
第 10章 數據分布212
10．1 特征變換212
10．1．1 為什么需要特征變換212
10．1．2 兩種常見的特征變換方法214
10．2 統計意義217
10．2．1 顯著性差異219
10．2．2 統計假設檢驗和顯著性檢驗220
10．2．3 P值220
10．2．4 不同的檢驗方法221
10．3 擬合、欠擬合和過擬合及其處理229
10．3．1 擬合、欠擬合和過擬合229
10．3．2欠擬合和過擬合的處理233
第三篇 線性代數235
第 11章 線性代數基礎236
11．1 向量和向量空間236
11．1．1 向量的概念236
11．1．2 向量的運算239
11．1．3 向量空間244
11．2 矩陣250
11．2．1 矩陣的運算250
11．2．2 矩陣運算的幾何意義252
第 12章 文本處理中的向量空間模型256
12．1 信息檢索256
12．1．1 信息檢索的概念256
12．1．2 信息檢索中的向量空間模型257
12．2 文本聚類259
12．2．1 聚類算法的概念259
12．2．2 使用向量空間進行聚類260
12．3 文本分類263
第 13章 對象間關系的刻畫——矩陣267
13．1 PageRank的矩陣實現267
13．1．1 PageRank算法的回顧267
13．1．2 簡化PageRank公式267
13．1．3 考慮隨機跳轉269
13．1．4 代碼的實現270
13．2 用矩陣實現推薦系統272
13．2．1 用矩陣實現推薦系統的核心思想272
13．2．2 基于用戶的過濾272
13．2．3 基于物品的過濾277
第 14章 矩陣的特征279
14．1 主成分分析（PCA）279
14．1．1 PCA的主要步驟279
14．1．2 PCA背后的核心思想286
14．2 奇異值分解（SVD）288
14．2．1 方陣的特征分解288
14．2．2 矩陣的奇異值分解289
14．2．3 潛在語義分析和SVD291
第 15章 回歸分析294
15．1 線性方程組294
15．1．1 高斯消元法295
15．1．2 使用矩陣實現高斯消元法296
15．2 *小二乘法299
15．2．1 通過觀測值的擬合300
15．2．2 *小二乘法302
15．2．3 補充證明和解釋303
15．2．4 演算示例305
第 16章 神經網絡311
16．1 神經網絡的基本原理311
16．2 基于TensorFlow的實現317
16．3 Word2Vec327
展開全部
Python程序員的數學基礎課 從理論到Python實踐 作者簡介
黃申，博士，2015 年美國杰出人才，微軟學者，IBM ExtremeBlue天才計劃成員，KDD WISDOM'20主席。2006年博士畢業于上海交通大學計算機科學與工程專業，師從俞勇教授，發表過20 余篇國際論文，擁有30多項國際專利。 有20多年機器學習和大數據領域的經驗，現任Glassdoor機器學習資深研發經理，曾任職于LinkedIn全球數據科學部、微軟亞洲研究院、IBM研究院、eBay中國研發中心，1號店和***飛牛網。 著有《大數據架構和算法實現之路：電商系統的技術實戰》《大數據架構商業之路：從業務需求到技術方案》兩本原創技術圖書，并翻譯出版了《Elasticsearch實戰》《Python機器學習實踐指南》等技術圖書，在極客時間發表了專欄《程序員的數學基礎課》。
書友推薦
- >
唐代進士錄
- >
龍榆生：詞曲概論/大家小書
- >
李白與唐代文化
- >
伊索寓言-世界文學名著典藏-全譯本
- >
月亮虎
- >
月亮與六便士
- >
隨園食單
- >
我從未如此眷戀人間
本類暢銷
