統計機器學習數理 100題 (Python版)

張士龍

統計機器學習數理 100題 (Python版)

買這商品的人也買了...

相關主題

商品描述

《統計機器學習數理100題(Python版)》是一本通過動手實踐，讓讀者掌握人工智能時代必備的“數學”“信息”“數據”等基本技能的書籍。全書通過解決100個數學問題的形式，推導數學公式，編寫Python代碼進行驗證，用實踐讓知識點轉化為實際技能，讓讀者更好地理解機器學習的本質，並具備一定程度的邏輯思維能力。全書共9章，具體內容包括線性回歸、分類分析、重采樣、信息準則、正則化、非線性回歸、決策樹、支持向量機、無監督學習。考慮到數學基礎薄弱的讀者也能很好地學習本書，還特別在開始設置了“線性代數”一章。《統計機器學習數理100題(Python版)》內容豐富，實踐性強，通過本書不僅能獲得機器學習的相關知識，還能在實踐中構建邏輯思維，獲得在數據科學行業工作的基本素質，適合所有對機器學習·數據科學感興趣的人員學習

作者簡介

鈴木讓，【日】，大阪大學教授，工學博士，1984年畢業於早稻田大學理工學部，1989年完成早稻田大學博士課程後任該校理工學部助教，1992年任青山學院大學理工學部助教，1994年作為（專任）講師就職於大阪大學理學部。曾任斯坦福大學客座助理教授（1995年－1997年）、耶魯大學客座副教授（2001年－2002年）等職，現任教於大阪大學基礎工學研究科數理科學領域、基礎工學部信息科學科數理科學方向。研究方向涵蓋數據科學、機器學習與統計教育。早在1993年7月就已在人工智能頂級會議（Uncertainty in ArtificialIntelligence）發表貝葉斯網絡相關研究成果。

目錄大綱

叢書序
前言
第0章 線性代數
0.1 逆矩陣
0.2 行列式
0.3 線性獨立性
0.4 向量空間及其維數
0.5 特征值與特征向量
0.6 正交基與正交矩陣
0.7 對稱矩陣的對角化
附錄 命題的證明
第1章 線性回歸
1.1 最小二乘法
1.2 多元回歸
1.3 β分布
1.4 RSS分布
1.5 βj≠0的假設檢驗
1.6 決定系數與共線性檢驗
1.7 置信區間與預測區間
附錄 命題的證明
練習題1～18
第2章 分類分析
2.1 邏輯回歸
2.2 牛頓-拉弗森法的應用
2.3 線性判別與二次判別
2.4 K-近鄰法
2.5 ROC曲線
練習題19～31
第3章 重采樣
3.1 交叉驗證
3.2 線性回歸中的交叉驗證
3.3 自助法
附錄 命題的證明
練習題32～39
第4章 信息量準則
4.1 信息量準則概述
4.2 有效估計量與Fisher信息量矩陣
4.3 Kullback-leibler信息量
4.4 AIC的推導
附錄 命題的證明
練習題40～48
第5章 正則化
5.1 嶺回歸
5.2 次微分
5.3 Lasso回歸
5.4 比較嶺回歸和Lasso回歸
5.5 λ值的設定
練習題49～56
第6章 非線性回歸
6.1 多項式回歸
6.2 樣條回歸
6.3 自然樣條函數回歸
6.4 平滑樣條
6.5 局部回歸
6.6 廣義加法模型
附錄 命題的證明
練習題57～68
第7章 決策樹
7.1 回歸決策樹
7.2 分類決策樹
7.3 裝袋法
7.4 隨機森林
7.5 提升樹
練習題69～74
第8章 支持向量機
8.1 最優邊界
8.2 優化理論
8.3 支持向量機的解
8.4 使用核函數擴展支持向量機
附錄 命題的證明
練習題75～87
第9章 無監督學習
9.1 K-means聚類
9.2 分層聚類
9.3 主成分分析
附錄 程序
練習題88～100

類似商品