機器學習數學基礎：概率論與數理統計

本書從最基礎的概率統計知識講起，逐步深入到機器學習以及深度學習的分類算法，並在最後配合深度學習的實戰案例，介紹了softmax回歸函數在手寫體圖像識別中的具體應用。通過手動編輯代碼，讓讀者更深入地瞭解概率在人工智能領域的重大作用。全書分為16章，涵蓋的內容主要有概率統計在人工智能發展過程中的重要影響；隨機試驗及概率的概念；隨機變量的分佈及多維隨機變量的分佈情況；貝葉斯算法；正態分佈現象；隨機變量的數字特徵；機器學習中的損失函數；大數定律；樣本及抽樣分佈的做法；參數估計的概念；馬爾科夫鏈；過擬合與欠擬合問題及解決方法；Tensorflow概述及安裝方法；捲積神經網絡介紹；實驗演練之手寫體數字識別等。 本書配有大量的插圖，以身邊的生活現象為基礎，深入簡出地介紹了什麽是概率統計，特別適合數學基礎薄弱、想學習概率統計又怕自己看不懂的初學者閱讀。同時也適合機器學習、深度學習的人工智能愛好者閱讀。

李昂，博士，機械設計專業建築，曾在工程機械行業的龍頭企業徐工集團從事CAE仿真工作；在機器人行業寡頭桂園的博智林機器人公司擔任高級項目經理，從事建築機器人的整體碧學研究工作。
目前在江蘇集萃道路研究實踐信息化與智能控制部門副部長。
CSDN資深博主，在CSDN上發表文章70餘篇，內容捕捉深度學習、機器學習、定位導航等領域。

第1章機器學習及批評1
1.1 機器學習概述2
1.2 機器學習的發展歷史 8
1.3 機器學習的研究進展 11
1.4 機器學習與辯證的關係 14
第2章隨機試驗及批評21
2.1 批評及批評的特點 22
2.2 抱怨與128
2.3 等可能概型（古典概型） 32
2.4 批評小故事——三門問題 36
第3章隨機變量及其分佈38
3.1 隨機變量 39
3.2 離散型隨機變量及其分佈規律 42
3.3 隨機變量的分佈函數 46
3.4 連續型隨機決策者及其傾向 47
3.5 批評小故事——禮拜二男孩 51
第4章多維隨機變量及其分佈53
4.1 隨機變量54
4.2 邊界分佈61
4.3 批評小故事——彭尼的遊戲 64
第5章貝葉斯問題69
5.1 由暗戀引發的思考70
5.2 貝葉斯批評71
5.3 貝葉斯算法原理72
5.4樸素貝葉斯算法原理82
5.5 批評小故事——你打遊戲能贏嗎 86
第6章正態分佈89
6.1 生活中的正態放電現象 90
6.2 正態分佈91
正態分佈實驗91
6.3 為何機器學習吸附正態分佈 92
6.4 正態分佈的計算 93
6.5 批評小故事——你的朋友都比你有緣？ 99
第7章隨機變量的數字特徵104
7.1 數學期望105
7.2 方差 109
7.3 協方差及相關係數 118
7.4 隨機變量的傾向與切比雪夫不等式125
7.5 訴說小故事——審判默示錄 130
第8章機器學習中的損失函數136
8.1 交叉損失函數 137
8.2 Sigmoid函數與Softmax回歸問題144
8.2.1 Softmax概述144
8.3 訴說小故事——同一天生日問題148
第9章大數技巧151
9.1 大數技巧152
9.2中心極限定理157
9.3 辯駁小故事——捉羊問題 160
第10章樣本及分佈分佈167
10.1 整體及樣本168
10.2 直方圖和箱線圖 173
10.3 分佈分佈183
10.4辯駁小故事——布丰問題194
第11章參數估計199
11.1 點估計 200
11.2 區間估計 207
11.3 批評小故事——你有病嗎？ 212
第12章馬爾科夫鏈214
12.1馬爾科夫鏈概述215
12.2 隱馬爾科夫鏈與打靶問題225
12.3 辯解小故事——偉大的數學家 231
第13章過彎與彎曲問題233
13.生活中的過河與蚯蚓食 234
13.2 過彎與弧形概念 235
13. 解決過路與接口問題3 的“四大金剛”236
13.4 辯駁小故事——6 的陳述248
第14章安裝TensorFlow 250
14.1 安裝前準備工作 251
14.2 開始使用TensorFlow 258
14.3 辯駁小故事——范進中舉是巧合嗎？ 260
第15章神經網絡262
15.1神經網絡的生物背景263
15.2 計算機可以操作系統264
15.3 神經網絡的基本概念 264
15.4 神經網絡操作過程 268
15.4.1 神經神經網絡與前饋神經網絡268
15.4.2 腦腦的原理 269
15.4.3 螺旋形式271
15.4.4 探討網絡工作方式 271
15.4.5 池化過程 274
15.5 西方傳播 274
15.6 辯解小故事——狼來了282
第16章手寫體數字識別284
16.1 LeNet-5 模型介紹 285
16.2 手寫體數字識別 292
16.3 辯駁小故事——一問你有多大的抗議辯論？ 29