打好 AI 的基礎：一探機器學習底層數學運作
雷明
- 出版商: 深智
- 出版日期: 2022-03-18
- 定價: $880
- 售價: 7.9 折 $695
- 語言: 繁體中文
- 頁數: 624
- 裝訂: 平裝
- ISBN: 9860776881
- ISBN-13: 9789860776881
-
相關分類:
Machine Learning
- 此書翻譯自: 機器學習的數學
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$458 -
Python 最強入門邁向頂尖高手之路：王者歸來, 2/e (全彩版)$1,080$853 -
圖解AI｜機器學習和深度學習的技術與原理$450$355 -
機器學習：彩色圖解 + 基礎數學篇 + Python 實作 -- 王者歸來, 2/e$680$537 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$473 -
資料科學的統計實務 : 探索資料本質、扎實解讀數據，才是機器學習成功建模的第一步$599$473 -
$505程序員必會的40種算法 -
機器學習的統計基礎 : 深度學習背後的核心技術$680$537 -
Python 資料分析必備套件！Pandas 資料清理、重塑、過濾、視覺化 (Pandas 1.x Cookbook, 2/e)$780$616 -
打下最紮實 AI 基礎不依賴套件：手刻機器學習神經網路穩健前進$1,200$948 -
新一代 AI 霸主：深度強化學習從基礎開始到專案開發$980$774 -
Python 幫幫忙！用程式思維解決現實世界問題 (Real-World Python: A Hacker's Guide to Solving Problems with Code)$630$498 -
深度學習： 邁向 Meta Learning$880$748 -
嵌入式系統實戰指南：面向 IoT 應用$1,194$1,134 -
Python 資料科學自學聖經：不只是建模！用實戰帶你預測趨勢、找出問題與發現價值(附關鍵影音教學、範例檔)$580$458 -
Keras 大神歸位：深度學習全面進化！用 Python 實作 CNN、RNN、GRU、LSTM、GAN、VAE、Transformer$1,200$948 -
圖解機器學習與資料科學的數學基礎｜使用 Python$650$514 -
圖說演算法：使用 Python, 2/e【暢銷回饋版】$500$390 -
Python 統計分析：生命科學應用 (An Introduction to Statistics with Python: With Applications in the Life Sciences)$500$390 -
凡人也能懂的白話人工智慧演算法 (Grokking Artificial Intelligence Algorithms)$580$435 -
一本精通 - LINE BOT + Python + Google Dialogflow 完整掌握 LINE BOT 的開發技巧 打造全方位 AI機器人$650$514 -
Python 資料結構×演算法 刷題鍛鍊班：234 題帶你突破 Coding 面試的難關$650$514 -
理論到實作都一清二楚 - 機器學習原理深究$1,000$790 -
Python AI 人員必修的科學計算 - 數學、機率、統計、演算法$880$695
相關主題
商品描述
★★★★★【機器學習】、【底層數學】★★★★★
數學是科學之母，想在AI領域發光發熱，先要打下穩固的數學基礎！
本書特色
◎完美圖解，通俗易懂
本書對數學知識採取圖解演示。透過圖解，許多問題都變得簡單，一點就通。
◎生活化的實例，簡單又有趣
例如隨機過程的典型代表，馬可夫過程（Markov Process）的章節中，作者就用了天氣與降雨這種生活化的例子講解，拉近讀者與知識的距離。
◎深入淺出，透析本質
機器學習的數學知識難度不低，許多概念的定義讓讀者難以理解。本書透過點出關鍵的地方，讓讀者一看就豁然開朗，推導再也不是問題。
◎機器學習、數學，相輔相成
本書從機器學習的角度講數學，又從數學的角度講機器學習，言簡意賅、知識滿點、循序漸進，是你學習機器學習的最好夥伴。
本書技術重點
✪一元多元函數微積分
✪線性代數、向量、矩陣分解
✪偏導數、漢森矩陣、雅可比矩陣、無窮級數
✪最佳化方法、泛函數極值與變分法
✪機率統計理論、柴比雪夫不等式
✪資訊理論、交叉熵、條件熵
✪隨機過程、馬可夫過程、高斯過程
✪圖論、拓撲排序演算法、拉普拉斯矩陣
作者簡介
雷明
資深機器學習、機器視覺專家。
畢業於清華大學計算機系，研究方向為機器視覺、機器學習，曾發表論文數篇。《機器學習-原理、算法與應用》暢銷書作者。曾任百度專案經理；zmodo meShare公司CTO、平臺研發中心負責人、SIGAI創始人。
目錄大綱
01 一元函數微積分
1.1 極限與連續
1.2 導數與微分
1.3 微分均值定理
1.4 泰勒公式
1.5 不定積分
1.6 定積分
1.7 常微分方程
02 線性代數與矩陣論
2.1 向量及其運算
2.2 矩陣及其運算
2.3 行列式
2.4 線性方程組
2.5 特徵值與特徵向量
2.6 二次型
2.7 矩陣分解
03 多元函數微積分
3.1 偏導數
3.2 梯度與方向導數
3.3 漢森矩陣
3.4 雅可比矩陣
3.5 向量與矩陣求導
3.6 微分演算法
3.7 泰勒公式
3.8 多重積分
3.9 無窮級數
04 最佳化方法
4.1 基本概念
4.2 一階最佳化演算法
4.3 二階最佳化演算法
4.4 分治法
4.5 凸最佳化問題
4.6 帶約束的最佳化問題
4.7 多目標最佳化問題
4.8 泛函數極值與變分法
4.9 目標函數的建構
05 機率論
5.1 隨機事件與機率
5.2 隨機變數
5.3 常用機率分佈
5.4 分佈轉換
5.5 隨機向量
5.6 極限定理
5.7 參數估計
5.8 隨機演算法
5.9 取樣演算法
06 資訊理論
6.1 熵與聯合熵
6.2 交叉熵
6.3 Kullback-Leibler 散度
6.4 Jensen-Shannon 散度
6.5 相互資訊
6.6 條件熵
6.7 歸納
07 隨機過程
7.1 馬可夫過程
7.2 馬可夫鏈取樣演算法
7.3 高斯過程
08 圖論
8.1 圖的基本概念
8.2 許多特殊的圖
8.3 重要的演算法
8.4 譜圖理論
