Предварительная подлинная импортная книга «Основы машинного обучения математики: AI, глубокое обучение должно -прочитать для глубокого обучения" баннер "
Цена: 2 599руб. (¥123)
Артикул: 619926574459
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:上海香港三联图书专营店
Адрес:Шанхай
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥1633 445руб.
¥591 247руб.
¥ 231 128.12 707руб.
¥1773 741руб.
Математические основы машинного обучения: обязательно к прочтению для получения базовых знаний в области искусственного интеллекта и глубокого обучения
Автор: Нишина Кей
Издательство: баннер
Дата публикации: 2020/01/31
Язык: традиционный китайский
ISBN: 9789863126140
Характеристики: мягкая обложка, 400 страниц, 17x23x2,4 см, обычный уровень, первое издание.
Место публикации: Тайвань
〇Доктор. Ли Цзятун, почетный профессор Университета Цинхуа, рекомендует: «Математика — это основа искусственного интеллекта. Вы можете прочитать эту книгу, чтобы получить четкое представление о самых фундаментальных математических основах машинного обучения».』
〇Совместный перевод доктора Ху Фэнгрона, факультета математического образования Педагогического университета Тайчжун, и Сюй Сяньчжэна, выпускника математического факультета Университета Цинхуа.
〇Совместный перевод доктора Ху Фэнгрона, факультета математического образования Педагогического университета Тайчжун, и Сюй Сяньчжэна, выпускника математического факультета Университета Цинхуа.
«В эпоху искусственного интеллекта математика внезапно стала популярной!»
Самыми популярными темами в информационном сообществе сейчас являются искусственный интеллект, машинное обучение и глубокое обучение. Google, Apple, Amazon, TSMC…&...Крупнейшие мировые производители соревнуются за пирог ИИ, конкурируя за то, чей ИИ умнее и точнее. В результате они разработали множество передовых технологий и даже внедрили искусственный интеллект непосредственно в чипы.Каждый из них кажется очень мощным, но в чем ключ к разнице?
Инструменты разработки, которые используют все, — это не что иное, как TensorFlow, Keras и Numpy. Если вы можете использовать это, то и другие смогут, так почему же вы можете победить других?Конечно, это зависит от оригинальной технологии и загадочных формул параметров, которые не могут быть предоставлены средствами разработки.Если вы полагаетесь только на местные методы изготовления стали и постоянно «Попробуете» различные комбинации параметров, это действительно ненаучно и вообще не сможет улучшить ваши возможности.Значит, мы должны досконально разобраться в том, что происходит в технологии искусственного интеллекта?Только тогда я знаю, какие параметры следует использовать для тестирования и какой алгоритм следует использовать для расчета.…&Черт возьми, если вы хотите сделать ИИ лучше других, вы должны трансформировать себя. Основой всего этого является «математика».
«Вы понимаете математику, необходимую для искусственного интеллекта, машинного обучения и глубокого обучения?』
Предметы в области математики сложные. После окончания средней или старшей школы вы не знаете, что делать, или не требуете подробного объяснения. Со временем вы просто отдадите его учителю.Однако, входя в области машинного обучения и глубокого обучения в 21 веке, вы не можете избежать следующих вещей. Вы понимаете?:
«Логистическая регрессия/Линейная регрессия/Синтетическая функция/Цепное правило/Условная вероятность/Теорема Байя/Метод наименьших квадратов/Метод оценки максимального правдоподобия/Нормальное распределение/Функция плотности вероятности/Внутренний продукт вектора/Коэффициент корреляции/Функция ошибки/Интеграл замены/Множественный регрессионный анализ/Нейронная сеть/Многомерный частный дифференциал/Матричный частный дифференциал/Метод градиентного спуска/Стохастический градиентный спуск метод/Нелинейная логистическая функция/Сигмоид/Обратное распространение ошибки/подробнее… "
О боже мой! Кто меня научит?
Редактор прочитал несколько имеющихся на рынке книг по математике, посвященных машинному или глубокому обучению. В основном они делятся на две категории: во-первых, содержание слишком простое и недостаточно глубокое; во-вторых, он предполагает, что ваши математические способности уже сильны, и пропускает многие детали. Прочитав эти две категории, вы все равно не понимаете, о чем идет речь. Не имеет значения, эта книга предназначена для вас. Вам потребуется просмотреть основы в сочетании с практическими примерами, чтобы вы знали, как можно использовать математику. И самое главное — «учить только математике, используемой в машинном и глубоком обучении, и объяснять ее ясно, чтобы ее можно было усвоить». Другие, которые не нужны, не будут обучаться, что сэкономит драгоценное время каждого.
Изобретательность дизайна этой книги заключается в том, что упомянутое ранее содержание будет постоянно повторяться и напоминаться в продвинутых частях.Шаги расчета в книге, такие как градиентный спуск, стохастический градиентный спуск, обратное распространение ошибки... все рассчитываются и выводятся для вас один за другим.После внимательного прочтения этой книги математика машинного и глубокого обучения глубоко запечатлеется в вашей памяти.
Характеристика
〇Будет обсуждаться только математика, используемая в машинном обучении и глубоком обучении, и вы сможете докопаться до ее сути и понять.
〇Метод градиентного спуска, метод стохастического градиентного спуска, обратное распространение ошибки... Рассчитайте его вручную, шаг за шагом.
〇Используйте практические примеры, чтобы лучше понять, где можно использовать математику.
Предисловие: Какие математические способности необходимы для искусственного интеллекта и машинного обучения?
Блок 01 В 21 веке математическими способностями должен обладать каждый
Раздел 02 Математическая пирамида
Часть 1. Математические основы машинного обучения
Глава 03 Выражайте вещи с помощью цифр
Глава 04 Заменить цифры буквенными символами
Модуль 05 Вычитание – это сложение отрицательных чисел, деление – умножение обратных чисел.
Блок 06 Класс машинного обучения: сборка
Блок 07 Компьютер первый класс: логические рассуждения предложений
Глава 08 Вероятность, условная вероятность и байесовская теорема
Часть 2. Функции первого порядка и квадратичные функции, необходимые для машинного обучения
Глава 09 Графики и функции
Блок 10 Решение уравнений одновременного действия и нахождение наклона и точки пересечения прямой
Глава 11 Линейное программирование с использованием одновременных неравенств
Глава 12 От линейных функций к квадратичным функциям
Задание 13 Используйте стандартную формулу квадратичной функции, чтобы найти максимальное и минимальное значения
Блок 14 Найдите наиболее подходящее решение квадратичной функции
Задание 15. Используйте метод наименьших квадратов, чтобы найти прямую линию с наименьшей ошибкой.
Часть 3 Биномиальная теорема, логарифмы и тригонометрические функции, необходимые для машинного обучения
Глава 16 Биномиальная теорема и биномиальные коэффициенты
Блок 17 Рассчитать вероятность повторения событий, используя биномиальное распределение
Глава 18 Правила экспоненциальных операций и графики экспоненциальных функций
Модуль 19. Использование логарифмических понятий для обработки больших чисел.
Глава 20 Свойства и правила действия логарифмов
Блок 21 Евразийский номер е и логистическая регрессия
Блок 22 Теорема Пифагора вычисляет расстояние между двумя точками
Глава 23 Основные понятия о тригонометрических функциях
Глава 24 Радианная система и единичный круг тригонометрических функций
Часть 4. Что необходимо для механического обучения&Сигма;, вектор, матрица
Глава 25 Интеграция больших объемов данных&Сигма; правила эксплуатации
Глава 26 Основные правила работы с векторами
Глава 27 Внутреннее произведение векторов
Блок 28 Применение векторного внутреннего произведения при расчете коэффициента корреляции
Глава 29 Векторы, матрица и множественная линейная регрессия
Глава 30 Правила работы с матрицей
Модуль 31 Транспонирование матрицы для решения коэффициентов регрессии
Часть 5. Дифференциалы и интегралы, необходимые для машинного обучения
Глава 32 Дифференциация функций по поиску места максимального или минимального значения
Раздел 33 Дифференцирование функций степени n
Глава 34 Основы интеграции. Понимание непрерывной функции плотности вероятности с геометрической точки зрения.
Глава 35 Основы интеграции. Использование интегралов для расчета функций плотности ставок.
Глава 36 Дифференцирование синтетических функций, цепных правил и интегралов заменой
Блок 37 Дифференциальное и интегральное исчисление показательных и логарифмических функций
Глава 38 Приближенная функция и метод оценки максимального правдоподобия
Раздел 39 Функция плотности вероятности нормального распределения
Модуль 40 Многопараметрическая интеграция&ндаш; Коэффициенты функции плотности вероятности расчета двойного интеграла
Часть 6. Математические способности, необходимые для глубокого обучения
Глава 41 Частичное дифференцирование нескольких переменных - Частное дифференцирование параметров сумм квадратов ошибок
Глава 42 Частные дифференциальные операции в матричной форме
Глава 43 Метод оценки максимального правдоподобия и градиентный спуск для множественного регрессионного анализа
Модуль 44. Понимание многоуровневых взаимосвязей глубокого обучения с помощью линейной регрессии.
Блок 45 Многомерная логистическая регрессия и метод градиентного спуска
Глава 46 Основы нейронных сетей. Использование нелинейных логистических функций для объединения приближенных функций
Глава 47 Математическое представление нейронных сетей
Глава 48. Обратное распространение ошибки. Использование метода стохастического градиентного спуска и правила цепочки частных дифференциальных ошибок.
Блок 01 В 21 веке математическими способностями должен обладать каждый
Раздел 02 Математическая пирамида
Часть 1. Математические основы машинного обучения
Глава 03 Выражайте вещи с помощью цифр
Глава 04 Заменить цифры буквенными символами
Модуль 05 Вычитание – это сложение отрицательных чисел, деление – умножение обратных чисел.
Блок 06 Класс машинного обучения: сборка
Блок 07 Компьютер первый класс: логические рассуждения предложений
Глава 08 Вероятность, условная вероятность и байесовская теорема
Часть 2. Функции первого порядка и квадратичные функции, необходимые для машинного обучения
Глава 09 Графики и функции
Блок 10 Решение уравнений одновременного действия и нахождение наклона и точки пересечения прямой
Глава 11 Линейное программирование с использованием одновременных неравенств
Глава 12 От линейных функций к квадратичным функциям
Задание 13 Используйте стандартную формулу квадратичной функции, чтобы найти максимальное и минимальное значения
Блок 14 Найдите наиболее подходящее решение квадратичной функции
Задание 15. Используйте метод наименьших квадратов, чтобы найти прямую линию с наименьшей ошибкой.
Часть 3 Биномиальная теорема, логарифмы и тригонометрические функции, необходимые для машинного обучения
Глава 16 Биномиальная теорема и биномиальные коэффициенты
Блок 17 Рассчитать вероятность повторения событий, используя биномиальное распределение
Глава 18 Правила экспоненциальных операций и графики экспоненциальных функций
Модуль 19. Использование логарифмических понятий для обработки больших чисел.
Глава 20 Свойства и правила действия логарифмов
Блок 21 Евразийский номер е и логистическая регрессия
Блок 22 Теорема Пифагора вычисляет расстояние между двумя точками
Глава 23 Основные понятия о тригонометрических функциях
Глава 24 Радианная система и единичный круг тригонометрических функций
Часть 4. Что необходимо для механического обучения&Сигма;, вектор, матрица
Глава 25 Интеграция больших объемов данных&Сигма; правила эксплуатации
Глава 26 Основные правила работы с векторами
Глава 27 Внутреннее произведение векторов
Блок 28 Применение векторного внутреннего произведения при расчете коэффициента корреляции
Глава 29 Векторы, матрица и множественная линейная регрессия
Глава 30 Правила работы с матрицей
Модуль 31 Транспонирование матрицы для решения коэффициентов регрессии
Часть 5. Дифференциалы и интегралы, необходимые для машинного обучения
Глава 32 Дифференциация функций по поиску места максимального или минимального значения
Раздел 33 Дифференцирование функций степени n
Глава 34 Основы интеграции. Понимание непрерывной функции плотности вероятности с геометрической точки зрения.
Глава 35 Основы интеграции. Использование интегралов для расчета функций плотности ставок.
Глава 36 Дифференцирование синтетических функций, цепных правил и интегралов заменой
Блок 37 Дифференциальное и интегральное исчисление показательных и логарифмических функций
Глава 38 Приближенная функция и метод оценки максимального правдоподобия
Раздел 39 Функция плотности вероятности нормального распределения
Модуль 40 Многопараметрическая интеграция&ндаш; Коэффициенты функции плотности вероятности расчета двойного интеграла
Часть 6. Математические способности, необходимые для глубокого обучения
Глава 41 Частичное дифференцирование нескольких переменных - Частное дифференцирование параметров сумм квадратов ошибок
Глава 42 Частные дифференциальные операции в матричной форме
Глава 43 Метод оценки максимального правдоподобия и градиентный спуск для множественного регрессионного анализа
Модуль 44. Понимание многоуровневых взаимосвязей глубокого обучения с помощью линейной регрессии.
Блок 45 Многомерная логистическая регрессия и метод градиентного спуска
Глава 46 Основы нейронных сетей. Использование нелинейных логистических функций для объединения приближенных функций
Глава 47 Математическое представление нейронных сетей
Глава 48. Обратное распространение ошибки. Использование метода стохастического градиентного спуска и правила цепочки частных дифференциальных ошибок.