4.8
用户推荐指数
数理科学与化学 类型
7.6 豆瓣评分
可以朗读 语音朗读
185千字 字数
2021-05-01 发行日期
展开全部

主编推荐语

数学基础差的读者入门机器学习的指南书，包括算法和实践。

内容简介

零基础读者应如何快速入门机器学习？数学基础薄弱的读者应如何理解机器学习中的数学原理？这些正是本书要解决的问题。本书从数学基础知识入手，通过前3章的介绍，帮助读者轻松复习机器学习涉及的数学知识；然后，通过第4-第13章的介绍，逐步讲解机器学习常见算法的相关知识，帮助读者快速入门机器学习；最后，通过第14章的综合实践，帮助读者回顾本书内容，进一步巩固所学知识。 《机器学习的数学原理和算法实践》适合对机器学习感兴趣但数学基础比较薄弱的读者学习，也适合作为相关专业的学生入门机器学习的参考用书。 　　

目录

  • 版权信息
  • 内容提要
  • 前言
  • 第1章 补基础：不怕学不懂微积分
  • 1.1 深入理解导数的本质
  • 1.1.1 哲学层面理解变化
  • 1.1.2 生活中处处有函数
  • 1.1.3 从瞬时速度到导数
  • 1.1.4 从近似运动来理解导数
  • 1.1.5 直观理解复合函数求导
  • 1.2 理解多元函数偏导
  • 1.2.1 多元函数偏导数是什么
  • 1.2.2 搞清楚梯度是什么
  • 1.3 理解微积分
  • 1.3.1 直观理解积分
  • 1.3.2 直观理解微积分基本定理
  • 1.4 泰勒公式太重要了
  • 1.4.1 泰勒公式是什么
  • 1.4.2 泰勒公式的典型应用
  • 1.4.3 直观理解泰勒公式的来龙去脉
  • 1.4.4 微积分基本定理与泰勒公式的关系
  • 第2章 补基础：不怕学不懂线性代数
  • 2.1 直观理解向量
  • 2.1.1 理解向量加法与数乘
  • 2.1.2 理解向量乘法的本质
  • 2.1.3 理解基向量与线性无关
  • 2.2 直观理解矩阵
  • 2.2.1 理解矩阵运算规则
  • 2.2.2 理解矩阵向量乘法的本质
  • 2.2.3 深刻理解矩阵乘法的本质
  • 2.3 理解线性方程组求解的本质
  • 2.3.1 直观理解方程组的解
  • 2.3.2 如何寻找解的表达式
  • 2.3.3 深刻理解逆矩阵的本质
  • 2.3.4 直观理解行列式的本质
  • 2.4 彻底理解最小二乘法的本质
  • 2.4.1 如何求解无解的方程组
  • 2.4.2 论证n维子空间上的情况
  • 2.4.3 搞懂施密特正交化是什么
  • 2.4.4 理解最小二乘法的本质
  • 2.5 直观理解相似矩阵对角化
  • 2.5.1 相似矩阵是什么
  • 2.5.2 如何理解特征值与特征向量
  • 2.5.3 直观理解相似矩阵的对角化
  • 第3章 补基础：不怕学不懂概率统计
  • 3.1 什么是概率
  • 3.1.1 最简单的概率的例子
  • 3.1.2 概率论与数理统计的关系
  • 3.2 搞懂大数定律与中心极限定理
  • 3.2.1 大数定律想表达什么
  • 3.2.2 中心极限定理想表达什么
  • 3.2.3 大数定律与中心极限定理的区别
  • 3.3 理解概率统计中的重要分布
  • 3.3.1 真正搞懂正态分布
  • 3.3.2 真正搞懂泊松分布
  • 3.4 理解朴素贝叶斯思想很重要
  • 3.4.1 如何理解条件概率
  • 3.4.2 如何理解贝叶斯公式
  • 3.4.3 贝叶斯公式的应用
  • 3.4.4 最大似然估计
  • 第4章 全景图：机器学习路线图
  • 4.1 通俗讲解机器学习是什么
  • 4.1.1 究竟什么是机器学习
  • 4.1.2 机器学习的分类
  • 4.2 机器学习所需环境介绍
  • 4.2.1 Python的优势
  • 4.2.2 Python下载、安装及使用
  • 4.3 跟着例子熟悉机器学习全过程
  • 4.4 准备数据包括什么
  • 4.4.1 数据采集
  • 4.4.2 数据清洗
  • 4.4.3 不均衡样本处理
  • 4.4.4 数据类型转换
  • 4.4.5 数据标准化
  • 4.4.6 特征工程
  • 4.5 如何选择算法
  • 4.5.1 单一算法模型
  • 4.5.2 集成学习模型
  • 4.5.3 算法选择路径
  • 4.6 调参优化怎么处理
  • 4.6.1 关于调参的几个常识
  • 4.6.2 模型欠拟合与过拟合
  • 4.6.3 常见算法调参的内容
  • 4.6.4 算法调参的实践方法
  • 4.7 如何进行性能评估
  • 4.7.1 回归预测性能度量
  • 4.7.2 分类任务性能度量
  • 第5章 数据降维：深入理解PCA的来龙去脉
  • 5.1 PCA是什么
  • 5.2 用一个例子来理解PCA过程
  • 5.3 如何寻找降维矩阵P
  • 5.4 PCA降维的核心思想
  • 5.4.1 核心思想一：基变换向量投影
  • 5.4.2 核心思想二：协方差归零投影
  • 5.4.3 核心思想三：最大方差投影
  • 5.4.4 PCA降维的关键：协方差矩阵对角化
  • 5.5 面向零基础读者详解PCA降维
  • 5.5.1 计算矩阵Y的协方差矩阵Cy
  • 5.5.2 矩阵Y的协方差矩阵Cy对角化
  • 5.5.3 求解降维矩阵P
  • 5.6 编程实践：手把手教你写代码
  • 5.6.1 背景任务介绍：鸢尾花数据降维
  • 5.6.2 代码展示：手把手教你写
  • 5.6.3 代码详解：一步一步讲解清楚
  • 第6章 凸优化核心过程：真正搞懂梯度下降过程
  • 6.1 通俗讲解凸函数
  • 6.1.1 什么是凸集
  • 6.1.2 什么是凸函数
  • 6.1.3 机器学习“热爱”凸函数
  • 6.2 通俗讲解梯度下降
  • 6.2.1 梯度是什么
  • 6.2.2 梯度下降与参数求解
  • 6.2.3 梯度下降具体过程演示
  • 6.3 编程实践：手把手教你写代码
  • 6.3.1 一元函数的梯度下降
  • 6.3.2 多元函数的梯度下降
  • 第7章 搞懂算法：线性回归是怎么回事
  • 7.1 什么是线性回归
  • 7.2 线性回归算法解决什么问题
  • 7.3 线性回归算法实现过程
  • 7.4 编程实践：手把手教你写代码
  • 7.4.1 背景任务介绍：预测房价情况
  • 7.4.2 代码展示：手把手教你写
  • 7.4.3 代码详解：一步一步讲解清楚
  • 第8章 搞懂算法：逻辑回归是怎么回事
  • 8.1 如何理解逻辑回归
  • 8.2 逻辑回归算法实现过程
  • 8.3 编程实践：手把手教你写代码
  • 8.3.1 背景任务介绍：用逻辑回归分类预测肿瘤
  • 8.3.2 代码展示：手把手教你写
  • 8.3.3 代码详解：一步一步讲解清楚
  • 第9章 搞懂算法：决策树是怎么回事
  • 9.1 典型的决策树是什么样的
  • 9.2 决策树算法的关键是什么
  • 9.3 信息、信息量与信息熵
  • 9.4 信息增益的计算过程
  • 9.5 剪枝处理是怎么回事
  • 9.6 编程实践：手把手教你写代码
  • 9.6.1 背景任务介绍：用决策树分类预测乳腺癌
  • 9.6.2 代码展示：手把手教你写
  • 9.6.3 代码详解：一步一步讲解清楚
  • 第10章 搞懂算法：支持向量机是怎么回事
  • 10.1 SVM有什么用
  • 10.2 SVM算法原理和过程是什么
  • 10.2.1 分离超平面是什么
  • 10.2.2 间隔与支持向量是什么
  • 10.3 编程实践：手把手教你写代码
  • 10.3.1 背景任务介绍：用SVM分类预测乳腺癌
  • 10.3.2 代码展示：手把手教你写
  • 10.3.3 代码详解：一步一步讲解清楚
  • 第11章 搞懂算法：聚类是怎么回事
  • 11.1 聚类算法介绍
  • 11.1.1 聚类是什么
  • 11.1.2 聚类算法应用场景
  • 11.2 通俗讲解聚类算法过程
  • 11.2.1 相似度如何度量
  • 11.2.2 聚类性能如何度量
  • 11.2.3 具体算法介绍：K-means算法
  • 11.2.4 具体算法介绍：K-means++算法
  • 11.3 编程实践：手把手教你写代码
  • 11.3.1 背景任务介绍：手写数字图像聚类
  • 11.3.2 代码展示：手把手教你写
  • 11.3.3 代码详解：一步一步讲解清楚
  • 第12章 搞懂算法：朴素贝叶斯是怎么回事
  • 12.1 朴素贝叶斯是什么
  • 12.1.1 条件概率是什么
  • 12.1.2 贝叶斯公式是什么
  • 12.2 朴素贝叶斯实现方法
  • 12.2.1 伯努利朴素贝叶斯方法
  • 12.2.2 高斯朴素贝叶斯方法
  • 12.2.3 多项式朴素贝叶斯方法
  • 12.3 编程实践：手把手教你写代码
  • 12.3.1 背景任务介绍：朴素贝叶斯分类预测文本类别
  • 12.3.2 代码展示：手把手教你写
  • 12.3.3 代码详解：一步一步讲解清楚
  • 第13章 搞懂算法：神经网络是怎么回事
  • 13.1 从一个具体任务开始：识别数字
  • 13.2 理解神经元是什么
  • 13.2.1 感知器是什么
  • 13.2.2 S型神经元是什么
  • 13.3 理解典型神经网络多层感知器
  • 13.3.1 神经网络结构是什么
  • 13.3.2 搞懂MLP的工作原理是什么
  • 13.4 MLP的代价函数与梯度下降
  • 13.4.1 代价函数：参数优化的依据
  • 13.4.2 梯度下降法：求解代价函数最小值
  • 13.5 反向传播算法的本质与推导过程
  • 13.5.1 反向传播算法：神经网络的训练算法
  • 13.5.2 寻根究底：搞懂反向传播算法的数学原理
  • 13.6 编程实践：手把手教你写代码
  • 13.6.1 通过代码深入理解反向传播算法
  • 13.6.2 一个简单的神经网络分类算法实践
  • 第14章 综合实践：模型优化的经验技巧
  • 14.1 经验技巧一：特征处理
  • 14.1.1 特征提取：文本数据预处理
  • 14.1.2 特征选择：筛选特征组合
  • 14.2 经验技巧二：模型配置优化
  • 14.2.1 模型配置优化方法：交叉验证
  • 14.2.2 模型配置优化方法：超参数搜索
  • 14.3 编程实践：手把手教你写代码
  • 14.3.1 背景任务介绍：乳腺癌分类预测多模型对比演示
  • 14.3.2 算法介绍：本案例算法简介
  • 14.3.3 代码展示：手把手教你写
  • 14.3.4 代码详解：一步一步讲解清楚
  • 14.4 经验总结：机器学习经验之谈
  • 14.4.1 机器学习中的误区
  • 14.4.2 如何学好机器学习
展开全部

评分及书评

4.8
12个评分
  • 用户头像
    给这本书评了
    5.0
    比西瓜🍉书还好

    入门中的入门非常适合初学者。我看西瓜书根本没看懂，看这个看懂了，真的很棒（｀Δ´）！

      转发
      评论
      用户头像
      给这本书评了
      5.0

      由浅到深，讲明白了很多其他书里没有讲明的道理，便于读者理解和建立知识网络。

        转发
        评论
        用户头像
        给这本书评了
        5.0

        浅显易懂，深入浅出的一本书，算是我学习机器学习的入门书，很庆幸，找到了这样一本书，让我对机器学习有了一个概括的了解。后续在使用过程中，再重点深入了解各模型算法的优劣。加油💪

          转发
          评论
        • 查看全部4条书评

        出版方

        人民邮电出版社

        人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。