會員

從零開始：機器學習的數學原理和算法實踐

更新時間：2021-07-09 10:33:24

開會員，本書免費讀 >

零基礎讀者應如何快速入門機器學習？數學基礎薄弱的讀者應如何理解機器學習中的數學原理？這些正是本書要解決的問題。本書從數學基礎知識入手，通過前3章的介紹，幫助讀者輕松復習機器學習涉及的數學知識；然后，通過第4-第13章的介紹，逐步講解機器學習常見算法的相關知識，幫助讀者快速入門機器學習；最后，通過第14章的綜合實踐，幫助讀者回顧本書內容，進一步鞏固所學知識。《機器學習的數學原理和算法實踐》適合對機器學習感興趣但數學基礎比較薄弱的讀者學習，也適合作為相關專業的學生入門機器學習的參考用書。

目錄(80章)

倒序

封面
版權信息
版權
內容提要
前言
第1章補基礎：不怕學不懂微積分
1.1 深入理解導數的本質
1.2 理解多元函數偏導
1.3 理解微積分
1.4 泰勒公式太重要了
第2章補基礎：不怕學不懂線性代數
2.1 直觀理解向量
2.2 直觀理解矩陣
2.3 理解線性方程組求解的本質
2.4 徹底理解最小二乘法的本質
2.5 直觀理解相似矩陣對角化
第3章補基礎：不怕學不懂概率統計
3.1 什么是概率
3.2 搞懂大數定律與中心極限定理
3.3 理解概率統計中的重要分布
3.4 理解樸素貝葉斯思想很重要
第4章全景圖：機器學習路線圖
4.1 通俗講解機器學習是什么
4.2 機器學習所需環境介紹
4.3 跟著例子熟悉機器學習全過程
4.4 準備數據包括什么
4.5 如何選擇算法
4.6 調參優化怎么處理
4.7 如何進行性能評估
第5章數據降維：深入理解PCA的來龍去脈
5.1 PCA是什么
5.2 用一個例子來理解PCA過程
5.3 如何尋找降維矩陣P
5.4 PCA降維的核心思想
5.5 面向零基礎讀者詳解PCA降維
5.6 編程實踐：手把手教你寫代碼
第6章凸優化核心過程：真正搞懂梯度下降過程
6.1 通俗講解凸函數
6.2 通俗講解梯度下降
6.3 編程實踐：手把手教你寫代碼
第7章搞懂算法：線性回歸是怎么回事
7.1 什么是線性回歸
7.2 線性回歸算法解決什么問題
7.3 線性回歸算法實現過程
7.4 編程實踐：手把手教你寫代碼
第8章搞懂算法：邏輯回歸是怎么回事
8.1 如何理解邏輯回歸
8.2 邏輯回歸算法實現過程
8.3 編程實踐：手把手教你寫代碼
第9章搞懂算法：決策樹是怎么回事
9.1 典型的決策樹是什么樣的
9.2 決策樹算法的關鍵是什么
9.3 信息、信息量與信息熵
9.4 信息增益的計算過程
9.5 剪枝處理是怎么回事
9.6 編程實踐：手把手教你寫代碼
第10章搞懂算法：支持向量機是怎么回事
10.1 SVM有什么用
10.2 SVM算法原理和過程是什么
10.3 編程實踐：手把手教你寫代碼
第11章搞懂算法：聚類是怎么回事
11.1 聚類算法介紹
11.2 通俗講解聚類算法過程
11.3 編程實踐：手把手教你寫代碼
第12章搞懂算法：樸素貝葉斯是怎么回事
12.1 樸素貝葉斯是什么
12.2 樸素貝葉斯實現方法
12.3 編程實踐：手把手教你寫代碼
第13章搞懂算法：神經網絡是怎么回事
13.1 從一個具體任務開始：識別數字
13.2 理解神經元是什么
13.3 理解典型神經網絡多層感知器
13.4 MLP的代價函數與梯度下降
13.5 反向傳播算法的本質與推導過程
13.6 編程實踐：手把手教你寫代碼
第14章綜合實踐：模型優化的經驗技巧
14.1 經驗技巧一：特征處理
14.2 經驗技巧二：模型配置優化
14.3 編程實踐：手把手教你寫代碼
14.4 經驗總結：機器學習經驗之談更新時間：2021-07-09 10:33:24

官术网_书友最值得收藏!

從零開始：機器學習的數學原理和算法實踐