統計方法與機器學習 郭貴冰 姜琳穎 9787030805348 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202502*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：統計方法與機器學習
ISBN：9787030805348
出版社：科學
著編譯者：郭貴冰 姜琳穎
頁數：277
所在地：中國大陸 *此為代購商品
書號：1724330
可大量預訂，請先連絡。

內容簡介

本書旨在深入淺出地介紹統計方法與機器學習的核心概念和算法應用。它不僅涵蓋了傳統統計方法的基礎知識，還深入探討了機器學習領域的關鍵技術。本書首先從機器學習中的數學基礎入手，包括數據的描述存儲、線性變換和特徵分解、概率的基本思想、概率論和統計方法在機器學習中的應用等。其次，根據機器學習的基本概念、各種分類和路徑等，較全面地給出機器學習的俯瞰圖。最後，本書將視角投放到當前人工智能最火爆的深度學習領域，從神經元模型到神經網絡，再到目前人人關注的大語言模型。本書通過豐富的實例和實際數據集，幫助讀者深入理解各種機器學習方法的原理和應用場景。 本書可以作為計算機、軟體工程、人工智能、數據科學等相關專業的本科生和研究生教材，以及其他希望開啟機器學習相關領域學習的愛好者或從事數據分析、機器學習相關工作的工程師等人員的參考書。

目錄

第一篇 機器學習數學基礎
第1章 線性代數
1 1 基本術語
1 1 1 標量與量
1 1 2 櫃陣
1 1 3 張量
1 2 向量與矩陣的計算
1 2 1 向量與矩陣的加法和減法
1 2 2 向量內積
1 2 3 向量外積
1 2 4 矩陣乘法
1 2 5 矩陣轉置
1 3 特殊類型的向量和矩陣
1 3 1 單位向量
1 3 2 單位矩陣和逆矩
1 3 3 對角矩陣
1 3 4 對稱辦
1 3 5 正交向量與正交矩陣
1 4 向量間的距離
1 4 1 歐氏距離
1 4 2 曼哈頓距離
1 4 3 切比雪夫距離
1 4 4 夾角餘弦距離
1 5 線性變換和特徵分解
1 5 1 線性映射
1 5 2 特徵值與特徵向量
1 5 3 特徵分解與對角化
1 5 4 奇異值分解
第2章 概率與統計基礎
2 1 概率的基本思想
2 1 1 試驗結果與概率
2 1 2 概率的三個公理
2 1 3 機器學習與概率統計
2 2 條件概率和事件獨立性
2 2 1 條件概率
2 2 2 事件獨立性
2 2 3 貝葉斯定理
2 3 隨機變數
2 3 1 離散型隨機變數和連續型隨機變數
2 3 2 隨機變數的數字特徵
2 3 3 隨機變數的聯合分佈
2 4 統計基礎
2 4 1 總體與採樣
2 4 2 描述性統計量
2 4 3 置信區間和置信水平
2 4 4 參數估計
2 4 5 假設檢驗
2 5 從數據中推斷概率模型
2 5 1 矩估計
2 5 2 小二乘估計
2 5 3 大似然估計
2 5 4 貝葉斯估計
第二篇 機器學習
第3章 機器學習基礎
3 1 機器學習簡介
3 1 1 機器學習基本概念
3 1 2 機器學習的分類
3 1 3 機器學習與人工智能、深度學習的關係
3 1 4 機器學習的路徑
3 2 機器學習任務
3 2 1 分類任務
3 2 2 回歸任務
3 2 3 聚類任務
3 3 提取高維空間中的重要關係
3 3 1 降維技術
3 3 2 主成分分析
3 3 3 線性判別分析
3 3 4 局部線性嵌入
3 4 欠擬合與過擬合
3 4 1 損失函數與評估函數
3 4 2 欠擬合與過擬合的識別
3 4 3 解決欠擬合與過擬合
第4章 分類算法
4 1 分類性能評估
4 1 1 分類模型性能評價指標
4 1 2 分類模型性能評價方法
4 1 3 分類模型參數調優
4 2 決策樹算
4 2 1 樹模型的發展歷程
4 2 2 決策樹分類的基本流程
4 2 3 特徵選擇問題
4 2 4 經典決策樹模型
4 2 5 提升決策樹模型性能
4 3 k-近鄰算法
4 3 1 k-近鄰算法原理和流程
4 3 2 使用碰鄰算法進行分類應用
4 3 3 k值選擇問題
4 4 支持向量機
4 4 1 線性支持向量機
4 4 2 軟間隔支持向量機
4 4 3 核函數和非線性支持向量機
4 4 4 多分類支持向量機
第5章 聚類算法
5 1 聚類算法評
5 1 1 內部評價指標
5 1 2 外部評價指標
5 1 3 直觀評估方法
5 2 劃分法聚類算法
5 2 1 免-Means算法原理和流程
5 2 2 k值選擇問題
5 2 3 優化和挑戰
5 3 層次聚類算法
5 3 1 凝聚型層次聚類
5 3 2 分裂型層次聚類
5 3 3 簇數選擇問題
5 4 基於密度的聚類算法
5 4 1 基本概念
5 4 2 DBSCAN算法原理和流程
5 4 3 DBSCAN聚類算法變種OPTICS
5 5 聚類算法應用
第6章 回歸算法
6 1 回歸模型的評估
6 1 1 對誤差指標
6 1 2 相對誤差指標
6 2 線性回歸模型
6 2 1 簡單線性_模型
6 2 2 多元線性回歸模型
6 2 3 線性回歸模型的訓練
6 3 嶺回歸
6 4 Lasso回歸
第三篇 神經網絡與深度學習
第7章 神經網絡
7 1 神經元模型
7 1 1 人工神經元模
7 1 2 激活函數
7 2 網絡結構
7 2 1 單層神經網絡
7 2 2 淺層神經網絡
7 2 3 深層神經網絡
7 3 模型訓練
7 3 1 損失函數的選取
7 3 2 參數優化
7 3 3 前向傳播與反向傳播
7 3 4 模型優化避免過擬合
7 3 5 模型保存與模型部署
第8章 常見神經網絡
8 1 卷積神經網絡
8 1 1 核心概念
8 1 2 架構詳解
8 1 3 損失函數和優化算法
8 1 4 應用案例
8 2 生成對抗醜
8 2 1 基本結構
8 2 2 生成器和判別器的訓練
8 2 3 模式崩潰
8 2 4 應用案例
8 3 Transformer
8 3 1 基本架構
8 3 2 算法優化
8 3 3 應用案例
第9
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。