庫存狀況
「香港二樓書店」讓您 愛上二樓●愛上書
我的購物車 加入會員 會員中心 常見問題 首頁
「香港二樓書店」邁向第一華人書店
登入 客戶評價 whatsapp 常見問題 加入會員 會員專區 現貨書籍 現貨書籍 購物流程 運費計算 我的購物車 聯絡我們 返回首頁
香港二樓書店 > 今日好書推介
二樓書籍分類
 
機器學習的數學基礎 : AI、深度學習打底必讀

機器學習的數學基礎

沒有庫存
訂購需時10-14天
9789863126140
西內啟
胡豐榮,徐先正
旗標
2020年1月31日
193.00  元
HK$ 173.7  






ISBN:9789863126140
  • 規格:平裝 / 400頁 / 17 x 23 x 2.4 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣


  • 自然科普 > 數學 > 概論

















    ?國立台中教育大學數學教育學系 胡豐榮博士 與 清華大學數學系畢 徐先正 合譯



      『進入 AI 時代,數學突然紅起來!』




      現在資訊科學界最夯的主題就是 AI、機器學習、深度學習。Google、Apple、Amazon、台積電……等世界大廠都在爭搶 AI 大餅,比的是誰家的 AI 比較聰明、比較準確,因此發展出許多先進的技術,甚至把 AI 直接植入晶片中。每家好像都很厲害,然而高下區別的關鍵在哪裏?



      大家使用的開發工具不外乎 TensorFlow、Keras、Numpy,你會用,別人也會,那你憑甚麼贏人家?當然要靠獨創的技術、神秘的參數配方,而這些都是開發工具給不了的。如果只靠土法煉鋼,不斷「Try Try 看」各種參數組合,這實在太不科學,根本無法提升能力。所以必須徹頭徹尾弄懂 AI 技術裏面在做甚麼?才知道應該用什麼參數去試、用甚麼演算法去算……,想做出比別人更好的 AI,就必須自我蛻變,這一切的打底功夫就是「數學」。



      『AI、機器學習、深度學習需要的數學,你懂了嗎?』



      數學領域的學科龐雜,國中、高中學完之後也不知道幹嘛,或是不求甚解,久而久之就還給老師了。然而在 21 世紀進入機器學習、深度學習領域,完全避不開下面這些東西,你懂了嗎?:



      「邏輯斯迴歸�線性迴歸�合成函數�鏈鎖法則�條件機率�貝氏定理� 最小平方法�最大概似估計法�常態分佈�機率密度函數�向量內積�相關係數� 誤差函數�代換積分�多元迴歸分析�神經網路�多變數偏微分�矩陣偏微分� 梯度下降法�隨機梯度下降法�非線性邏輯斯函數�Sigmoid�反向傳播�more…」



      媽呀!誰來教教我?



      小編看過市面上數本主打機器學習或深度學習的數學書,主要分兩類:其一是內容太過簡單講得不夠深入,其二是假設你的數學能力已經很強,直接跳過許多細節,這兩類讀了還是不知所云。沒關係,本書就是為你設計的,帶你從基礎開始複習,搭配實務案例,讓你知道數學可以怎麼用。而且最重要的是「只教機器學習、深度學習用得到的數學,講清楚、才能吸收」,其它用不到的不講,節省大家的寶貴時間。



      本書設計的巧妙之處在於前面講過的內容,到了進階的部份仍然會不斷前後呼應,不斷提醒。書中的運算步驟,像是梯度下降法、隨機梯度下降法、反向傳播... 都一一手算推導給你看。認真讀完本書,機器學習與深度學習的數學就能深印腦海。



    本書特色



      ?只講機器學習、深度學習用得到的數學,追根究底且看得懂

      ?梯度下降法、隨機梯度下降法、反向傳播... 一步一步手工算給你看

      ?利用實務範例,更能了解數學可以用在哪裏



    名人推薦



      ?清華大學榮譽教授 李家同博士 推薦:『數學是 AI 的根本, 你可以跟著本書扎實理解機器學習最根本的數學基礎。』


     





    序篇 AI、機器學習需要什麼樣的數學能力

    單元01 21世紀每個人都需要具備數學能力

    單元02 數學金字塔



    第 1 篇 機器學習的數學基礎

    單元03 將事物用數字來表現

    單元04 將數字用字母符號代替

    單元05 減法是負數的加法, 除法是倒數的乘法

    單元06 機率先修班:集合

    單元07 機率先修班:命題的邏輯推理

    單元08 機率、條件機率與貝氏定理



    第 2 篇 機器學習需要的一次函數與二次函數

    單元09 座標圖與函數

    單元10 聯立方程式求解與找出直線的斜率與截距

    單元11 用聯立不等式做線性規劃

    單元12 從線性函數進入二次函數

    單元13 利用二次函數標準式求出最大值與最小值

    單元14 找出二次函數最適當的解

    單元15 用最小平方法找出誤差最小的直線



    第 3 篇 機械學習需要的二項式定理、對數、三角函數

    單元16 二項式定理與二項式係數

    單元17 利用二項分布計算重複事件發生的機率

    單元18 指數運算規則與指數函數圖形

    單元19 用對數的觀念處理大數字

    單元20 對數的性質與運算規則

    單元21 尤拉數 e 與邏輯斯迴歸

    單元22 畢氏定理計算兩點距離

    單元23 三角函數的基本觀念

    單元24 三角函數的弧度制與單位圓



    第 4 篇 機械學習需要的Σ、向量、矩陣

    單元25 整合大量數據的 Σ 運算規則

    單元26 向量基本運算規則

    單元27 向量的內積

    單元28 向量內積在計算相關係數的應用

    單元29 向量、矩陣與多元線性迴歸

    單元30 矩陣的運算規則

    單元31 轉置矩陣求解迴歸係數



    第 5 篇 機器學習需要的微分與積分

    單元32 函數微分找出極大值或極小值的位置

    單元33 n 次函數的微分

    單元34 積分基礎-從幾何學角度瞭解連續型機率密度函數

    單元35 積分基礎-用積分計算機率密度函數

    單元36 合成函數微分、鏈鎖法則與代換積分

    單元37 指數函數、對數函數的微分積分

    單元38 概似函數與最大概似估計法

    單元39 常態分佈的機率密度函數

    單元40 多變數積分 – 雙重積分算機率密度函數係數



    第 6 篇 深度學習需要的數學能力

    單元41 多變數的偏微分-對誤差平方和的參數做偏微分

    單元42 矩陣型式的偏微分運算

    單元43 多元迴歸分析的最大概似估計法與梯度下降

    單元44 由線性迴歸瞭解深度學習的多層關係

    單元45 多變數邏輯斯迴歸與梯度下降法

    單元46 神經網路的基礎-用非線性邏輯斯函數組合出近似函數

    單元47 神經網路的數學表示法

    單元48 反向傳播-利用隨機梯度下降法與偏微分鏈鎖法則




    其 他 著 作
    1. 統計學,最強的商業武器:從買樂透到大數據,全都離不開統計學;不懂統計學,你就等著被騙吧!(三版)
    2. 統計學,最強的商業武器 從買樂透到大數據,全都離不開統計學;不懂統計學,你就等著被騙吧!
    3. 統計學,最強的商業武器:從買樂透到大數據,全都離不開統計學;不懂統計學,你就等著被騙吧!