简介
全书共分为两篇:在上篇中,将从浩瀚的数学海洋中撷取机器学习研究人员最为必须和重要的数学基础。内容主要包括:微积分(含场论)、数值计算和常用最优化方法、概率论基础与数理统计、线性代数等。在下篇中,将选取机器学习中最为常用的算法和模型进行讲解,这部分内容将涉及(广义)线性回归、图模型(包含贝叶斯网络和HMM等)、分类算法(包括SVM,逻辑回归,神经网络等)和聚类算法(包括K均值和EM算法等)等话题。
编辑推荐
本书可作为机器学习及相关课程的教学参考书,适用于高等院校人工智能、机器学习或数据挖掘等相关专业的师生研习之用,也可供从事计算机应用(特别是数据科学相关专业)的研发人员参考。本书全面系统地介绍了机器学习技术中所涉及的重要数学基础,内容丰富,覆盖面广。 打牢数学基础,为深入学习与研究提供充足弹药与粮草,助你整装远航,直挂云帆。 体系脉络清晰,从千头万绪中筛选出最重要的理论要点,助你剥丝抽茧,击破核心。 紧跟前沿话题,配套提供完善的网络资源支持,助你轻松学习,牢固掌握。
更多出版物信息
- 版权: 清华大学出版社
- 出版: 2020-07-01
- 更新: 2023-06-22
- 书号:9787302538653
- 中图:O24;TP181
- 学科:理学数学工学控制科学与工程工学计算机科学与技术交叉学科智能科学与技术