機器學習之數學基礎：概率統計與算法應用

朱寧 編著 無 譯

機器學習之數學基礎：概率統計與算法應用

買這商品的人也買了...

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

相關主題

商品描述

本書先從概率論的基礎講起，然後逐步深入到概率論在機器學習中的應用，最後結合機器學習實戰案例，重點介紹了概率論的概念及其在機器學習中的應用。通過本書讀者不但可以系統地學習常見概率的相關知識，還能對機器學習開發有更為深入的理解。
      本書共 10章，涵蓋的主要內容:機器學習簡介;為什麼機器學習需要概率論;概率的定義;集合和事件;獨立性;概率的性質;常見的計算概率方法;離散型和連續型概率簡介;離散型和連續型概率的期望值、方差和標準差;幾種常見的離散型和連續型概率分佈;條件概率;聯合概率;邊緣概率;貝葉斯理論;隨機過程簡介;馬爾可夫鏈;隱馬爾克夫模型;高斯過程;常見的機器學習 Python 庫;機器學習分類算法和回歸算法簡介;概率論在分類算法和回歸算法中的應用;常見的分類算法和回歸算法;強化學習簡介;有趣的機器人遊戲;GAN;圖片風格轉換。
      本書內容通俗易懂，案例豐富，實用性強，不僅適合概率論的入門讀者和進階讀者閱讀，也適合機器學習從業者、人工智能算法專家等其他人工智能愛好者閱讀。另外，本書也可以作為相關培訓機構的教材。

作者簡介

朱寧，擁有豐富的AI研究背景及實戰經驗，曾在華為任職AI演算法工程師，並在微軟擔任資深科學家，精通機器學習、深度學習及資料分析的理論與實務。關註自然語言處理領域的前沿研究，尤其關註ChatGPT技術的發展，成功將其應用於職場，不斷提升工作效率和晉升。在人工智能與職場技能交叉的領域，為AI計畫創造了顯著的成果，全面展現了職場中AI的可能性和潛力。

目錄大綱

第1章 機器學習概述
1.1 機器學習簡介
1.1.1 監督學習
1.1.2 無監督學習
1.1.3 強化學習
1.2 機器學習與人工智能的發展史
1.2.1 邏輯推理時代
1.2.2 專家系統時代
1.2.3 機器學習與深度學習時代
1.3 深度學習
1.4 機器學習基礎－機率論
1.5 常用的機器學習Python庫
1.5.1 NumPy
程式碼1.1 比較NumPy和原生態Python：Compare_Numpy_and_Pure_Python.py
1.5.2 pandas
程式碼1.2 pandas範例程式碼：Demo_for_Pandas.py
1.5.3 matplotlib
程式碼1.3 matplotlib範例程式碼：Demo_for_Matplotlib.py
1.5.4 PyTorch
程式碼1.4 PyTorch範例程式碼：Demo_for_Pytorch.py
1.5.5 TensorFlow
程式碼1.5 TensorFlow範例程式碼：Fit Data_with_Tensorflow.py
1.5.6 SKlearn
程式碼1.6 SKlearn範例程式碼：Demo_for_SKLearn.py
1.5.7 Keras
程式碼1.7 Keras範例程式碼：Demo for Keras.py
1.5.8 習題
1.6 溫故而知新
第2章 機率的基本概念
2.1 機率的定義
2.2 集合和事件
2.2.1 集合和子集
2.2.2 集合的相互作用
2.2.3 集合的運算
2.2.4 事件
2.2.5 習題
2.3 獨立性
2.3.1 獨立性的定義
2.3.2 獨立性的性質
2.3.3 多個事件的獨立性
代碼2.1 撲克牌抽牌獨立性：Poker Indepent.py
2.3.4 習題
2.4 機率的取值範圍和運算
2.4.1 機率的取值範圍
2.4.2 機率的運算
2.4.3 習題
2.5 常見的計算機率的方法
2.5.1 窮舉法
2.5.2 頻率替代法
2.5.3 幾何法
代碼2.2 模擬射靶機率：Simulation Shoot Probability.py
2.5.4 習題
2.6 溫故而知新
第3章 離散型機率分佈
3.1 離散型機率分佈簡介
3.1.1 離散型機率分佈的定義
3.1.2 離散型機率分佈的性質
3.1.3 離散型機率分佈的機率質量函數
3.1.4 離散型機率分佈的累積分佈函數
3.1.5 習題
3.2 離散型機率分佈的期望值
3.2.1 離散型機率分佈的期望值定義
……
第4章 連續型機率分佈
第5章 貝葉斯理論
第6章 隨機過程
第7章 機率論與機器學習分類演算法
第8章 機率論與機器學習迴歸演算法
第9章 實戰：強化學習
第10章 實戰：GAN

類似商品

最後瀏覽商品 (6)