科技 类型
可以朗读 语音朗读
244千字 字数
2022-08-01 发行日期
展开全部

主编推荐语

一本系统展示现代机器学习技术背后数学思想的参考书。

内容简介

本书侧重于数学理解，书中有独立、易懂且全面的演示，及大量的习题和范例，还有很多用Python代码实现的具体算法。

本书旨在为有兴趣更好地理解数学和统计的学生提供一个可访问的、全面的教科书。

目录

  • 版权信息
  • 译者序
  • 前言
  • 数学符号
  • 第1章 导入、汇总和可视化数据
  • 1.1 简介
  • 1.2 类型结构特征
  • 1.3 汇总表
  • 1.4 汇总统计量
  • 1.5 数据可视化
  • 1.5.1 定性变量绘图
  • 1.5.2 定量变量绘图
  • 1.5.3 双变量的数据可视化
  • 1.6 扩展阅读
  • 1.7 习题
  • 第2章 统计学习
  • 2.1 简介
  • 2.2 监督学习和无监督学习
  • 2.3 训练损失和测试损失
  • 2.4 统计学习中的权衡处理
  • 2.5 估计风险
  • 2.5.1 样本内风险
  • 2.5.2 交叉验证
  • 2.6 数据建模
  • 2.7 多元正态模型
  • 2.8 正态线性模型
  • 2.9 贝叶斯学习
  • 2.10 扩展阅读
  • 2.11 习题
  • 第3章 蒙特卡罗方法
  • 3.1 简介
  • 3.2 蒙特卡罗抽样
  • 3.2.1 生成随机数
  • 3.2.2 模拟随机变量
  • 3.2.3 模拟随机向量和随机过程
  • 3.2.4 重采样
  • 3.2.5 马尔可夫链蒙特卡罗
  • 3.3 蒙特卡罗估计
  • 3.3.1 朴素蒙特卡罗
  • 3.3.2 自举法
  • 3.3.3 方差缩减
  • 3.4 蒙特卡罗优化
  • 3.4.1 模拟退火
  • 3.4.2 交叉熵方法
  • 3.4.3 分裂优化
  • 3.4.4 噪声优化
  • 3.5 扩展阅读
  • 3.6 习题
  • 第4章 无监督学习
  • 4.1 简介
  • 4.2 无监督学习的风险和损失
  • 4.3 期望最大化算法
  • 4.4 经验分布和密度估计
  • 4.5 通过混合模型聚类
  • 4.5.1 混合模型
  • 4.5.2 混合模型的EM算法
  • 4.6 向量量化聚类
  • 4.6.1 K均值
  • 4.6.2 通过连续多极值优化进行聚类
  • 4.7 层次聚类
  • 4.8 主成分分析
  • 4.8.1 动机：椭球体的主轴
  • 4.8.2 PCA和奇异值分解
  • 4.9 扩展阅读
  • 4.10 习题
  • 第5章 回归
  • 5.1 简介
  • 5.2 线性回归
  • 5.3 线性模型分析
  • 5.3.1 参数估计
  • 5.3.2 模型选择和预测
  • 5.3.3 交叉验证与预测残差平方和
  • 5.3.4 样本内风险和赤池信息准则
  • 5.3.5 分类特征
  • 5.3.6 嵌套模型
  • 5.3.7 决定系数
  • 5.4 正态线性模型的推理
  • 5.4.1 比较两个正态线性模型
  • 5.4.2 置信区间和预测区间
  • 5.5 非线性回归模型
  • 5.6 用Python实现线性模型
  • 5.6.1 建模
  • 5.6.2 分析
  • 5.6.3 方差分析
  • 5.6.4 置信区间和预测区间
  • 5.6.5 模型验证
  • 5.6.6 变量选择
  • 5.7 广义线性模型
  • 5.8 扩展阅读
  • 5.9 习题
  • 第6章 正则化和核方法
  • 6.1 简介
  • 6.2 正则化
  • 6.3 再生核希尔伯特空间
  • 6.4 再生核的构造
  • 6.4.1 通过特征映射构造再生核
  • 6.4.2 根据特征函数构造再生核
  • 6.4.3 利用正交特征构造再生核
  • 6.4.4 通过核构造再生核
  • 6.5 表示定理
  • 6.6 平滑三次样条
  • 6.7 高斯过程回归
  • 6.8 核PCA
  • 6.9 扩展阅读
  • 6.10 习题
  • 第7章 分类
  • 7.1 简介
  • 7.2 分类评价指标
  • 7.3 基于贝叶斯规则的分类
  • 7.4 线性判别分析和二次判别分析
  • 7.5 逻辑回归和softmax分类
  • 7.6 K近邻分类
  • 7.7 支持向量机
  • 7.8 使用Scikit-Learn进行分类
  • 7.9 扩展阅读
  • 7.10 习题
  • 第8章 决策树和集成方法
  • 8.1 简介
  • 8.2 自顶向下的决策树构建方法
  • 8.2.1 区域预测函数
  • 8.2.2 分裂规则
  • 8.2.3 终止条件
  • 8.2.4 基本实现
  • 8.3 其他考虑因素
  • 8.3.1 二叉树与非二叉树
  • 8.3.2 数据预处理
  • 8.3.3 替代分裂规则
  • 8.3.4 类别变量
  • 8.3.5 缺失值
  • 8.4 控制树形
  • 8.4.1 代价复杂度剪枝
  • 8.4.2 决策树的优点和局限性
  • 8.5 自举聚合
  • 8.6 随机森林
  • 8.7 提升法
  • 8.8 扩展阅读
  • 8.9 习题
  • 第9章 深度学习
  • 9.1 简介
  • 9.2 前馈神经网络
  • 9.3 反向传播
  • 9.4 训练方法
  • 9.4.1 最速下降法
  • 9.4.2 Levenberg-Marquardt方法
  • 9.4.3 受限内存BFGS方法
  • 9.4.4 自适应梯度法
  • 9.5 Python示例
  • 9.5.1 简单多项式回归
  • 9.5.2 图像分类
  • 9.6 扩展阅读
  • 9.7 习题
  • 附录A 线性代数与泛函分析
  • A.1 向量空间、基和矩阵
  • A.2 内积
  • A.3 复向量和复矩阵
  • A.4 正交投影
  • A.5 特征值和特征向量
  • A.6 矩阵分解
  • A.6.1 (P)LU分解
  • A.6.2 伍德伯里恒等式
  • A.6.3 Cholesky分解
  • A.6.4 QR分解与格拉姆-施密特过程
  • A.6.5 奇异值分解
  • A.6.6 求解结构化矩阵方程
  • A.7 泛函分析
  • A.8 傅里叶变换
  • A.8.1 离散傅里叶变换
  • A.8.2 快速傅里叶变换
  • 附录B 多元微分与优化问题
  • B.1 多元微分
  • B.1.1 泰勒展开
  • B.1.2 链式法则
  • B.2 优化理论
  • B.2.1 凸性和优化
  • B.2.2 拉格朗日方法
  • B.2.3 对偶
  • B.3 数值寻根和最小化
  • B.3.1 牛顿类方法
  • B.3.2 拟牛顿法
  • B.3.3 正态近似法
  • B.3.4 非线性最小二乘法
  • B.4 通过惩罚函数进行约束最小化
  • 附录C 概率与统计
  • C.1 随机实验和概率空间
  • C.2 随机变量和概率分布
  • C.3 期望
  • C.4 联合分布
  • C.5 条件分布与独立分布
  • C.5.1 条件概率
  • C.5.2 独立性
  • C.5.3 期望和协方差
  • C.5.4 条件密度和条件期望
  • C.6 随机变量的函数
  • C.7 多元正态分布
  • C.8 随机变量的收敛性
  • C.9 大数定律和中心极限定理
  • C.10 马尔可夫链
  • C.11 统计学
  • C.12 估计
  • C.12.1 矩方法
  • C.12.2 最大似然法
  • C.13 置信区间
  • C.14 假设检验
  • 附录D Python入门
  • D.1 入门指南
  • D.2 Python对象
  • D.3 类型和运算符
  • D.4 函数和方法
  • D.5 模块
  • D.6 流程控制
  • D.7 迭代
  • D.8 类
  • D.9 文件
  • D.10 NumPy
  • D.10.1 数组创建和塑形
  • D.10.2 切片
  • D.10.3 数组操作
  • D.10.4 随机数
  • D.11 matplotlib
  • D.12 Pandas
  • D.12.1 Series和DataFrame
  • D.12.2 数据帧的操作
  • D.12.3 提取信息
  • D.12.4 绘图
  • D.13 Scikit-Learn
  • D.13.1 数据分割
  • D.13.2 归一化
  • D.13.3 拟合和预测
  • D.13.4 模型测试
  • D.14 系统调用、URL访问和加速
  • 参考文献
展开全部

评分及书评

评分不足
1个评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。