Python机器学习中的数学修炼 砥砺基础、步步为营 点破公式背后的层层玄机 循序渐进、润物无声 为你打开一道通向机器学习世界的数学之门
数学是机器学习和数据科学的基础,任何期望涉足相关领域并切实领悟具体技术与方法的人都无法绕过数学这一关。本书系统地整理并介绍了机器学习中所涉及的数学基础,这些都是笔者从浩如烟海的数学知识中精心萃取的,在学习和研究机器学习技术时所必须的内容。具体包括微积分(主要是与*化内容相关的部分)、概率论与数理统计、数值计算、信息论、凸优化、泛函分析基础与变分法,以及蒙特卡洛采样等话题。为了帮助读者加深理解并强化所学,本书还从上述数学基础出发进一步介绍了回归、分类、聚类、流形学习、集成学习,以及概率图模型等机器学习领域中的重要话题。其间,本书将引领读者循序渐进地拆解各路算法的核心设计思想及彼此间的关联关系,并结合具体例子演示基于Python进行实际问题求解的步骤与方法。真正做到理论与实践并重,让读
¥78.20定价:¥99.00 (7.9折)
机器学习原理与实践(Python版) 从原理到实践,步步为营,克服学习中的重重关隘 拨开云雾,点破公式背后的层层玄机,助你一路披荆斩棘
本书全面、 系统地介绍了机器学习领域中的经典方法, 并兼顾算法原理与实践运用。 具体内容涉及: 回归分析(线性回归、 多项式回归、 非线性回归、 岭回归、LASSO、 弹性网络, 以及 RANSAC 等) 分类(感知机、逻辑回归、 朴素贝叶斯、 决策树、 支持向量机、 神经网络等) 聚类(k均值、EM 算法、 密度聚类、 层次聚类以及谱聚类等) 集成学习(随机森林、AdaBoost、 梯度提升等) 蒙特卡洛采样(拒绝采样、 自适应拒绝采样、 重要性采样、 吉布斯采样和马尔可夫链蒙特卡洛等) 降维与流形学习(SVD、PCA 和 MDS 等) 概率图模型(贝叶斯网络和隐马尔可夫模型)
¥67.20定价:¥89.00 (7.56折)