人工智能數學基礎 廖盛斌 9787121463075 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$496
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *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：202309*若逾兩年請先於私訊洽詢存貨情況，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：人工智能數學基礎 ISBN：9787121463075 出版社：電子工業 著編譯者：廖盛斌 頁數：230 所在地：中國大陸 *此為代購商品 書號：1580086 可大量預訂，請先連絡。 內容簡介 本書分為7章，其內容包括代數學和分析學的基礎概念、微積分的基礎概念、矩陣與線性變換、矩陣分解、最優化理論與演算法、概率模型和資訊理論的基礎概念。本書強調數學概念，並採用圖形化的方式對其進行解釋，以利於讀者理解，同時，本書給出了數學知識在機器學習和人工智慧領域的具體應用，將數學知識和工程實踐有機結合，以使讀者能對數學知識有更深層次的理解。 本書可供高等院校計算機科學與技術、數據科學、人工智慧、網路通信、控制、運籌與優化、應用數學等專業大學教師、高年級本科生和研究生閱讀，也可供相關領域的工程技術人員與產品開發人員參考。目錄 第1章 代數學和分析學的基礎概念1 1 人工智慧需要數學的原因 1 2 向量與范數 1 2 1 向量和線性空間 1 2 2 向量的內積 1 2 3 向量的外積 1 2 4 向量的范數 1 3 矩陣的定義及其基本運算 1 3 1 矩陣的定義 1 3 2 矩陣的基本運算 1 3 3 逆矩陣 1 3 4 深入理解矩陣因子的幾何意義 1 4 行列式 1 4 1 行列式的定義 1 4 2 行列式的性質 1 4 3 行列式的幾何意義 1 5 函數的極限與連續性 1 5 1 函數的極限 1 5 2 函數的連續性 本章參考文獻 第2章 微積分的基礎概念 2 1 導數 2 1 1 導數、偏導數與方嚮導數 2 1 2 梯度、雅可比矩陣和黑塞矩陣 2 1 3 泰勒公式 2 1 4 機器學習中常見函數的導數 2 2 微分 2 2 1 微分的概述 2 2 2 微分中值定理 2 3 積分 2 3 1 不定積分 2 3 2 定積分 2 3 3 廣義積分 2 3 4 多重積分 2 4 常微分方程 2 4 1 常微分方程的概述 2 4 2 一階微分方程的概述 本章參考文獻 第3章 矩陣與線性變換 3 1 矩陣秩的概述 3 1 1 矩陣的初等變換 3 1 2 矩陣的秩 3 2 向量組的線性相關性 3 2 1 線性組合 3 2 2 向量組的秩 3 3 特徵值與特徵向量 3 3 1 特徵值與特徵向量的定義 3 3 2 特徵值與特徵向量的基本性質 3 3 3 相似矩陣與相似對角化 3 3 4 正交矩陣和對稱矩陣的對角化 3 4 線性空間 3 4 1 線性空間的相關定義 3 4 2 線性空間的基與維數 3 5 線性變換 3 5 1 基變換的定義 3 5 2 坐標變換的定義 3 5 3 線性變換的定義 3 6 內積空間 3 6 1 內積空間的定義 3 6 2 施密特正交化方法 3 6 3 標準正交基的常用性質 本章參考文獻 第4章 矩陣分解 4 1 矩陣的LU分解 4 1 1 矩陣LU分解的定義及本質 4 1 2 矩陣LU分解的條件 4 1 3 矩陣LU分解的擴展形式 4 1 4 利用矩陣的LU分解求解線性方程組Ax=b 4 2 矩陣的QR分解 4 2 1 矩陣QR分解的定義 4 2 2 利用施密特正交化方法進行矩陣的QR分解 4 3 矩陣的特徵值分解 4 3 1 矩陣特徵值分解的定義 4 3 2 矩陣特徵值分解的本質 4 3 3 矩陣特徵值分解的應用 4 4 矩陣的奇異值分解 4 4 1 矩陣奇異值分解的定義 4 4 2 矩陣奇異值分解的計算 4 4 3 矩陣奇異值分解的意義及逼近 4 4 4 矩陣奇異值分解的應用 本章參考文獻 第5章 最優化理論與演算法 5 1 凸集與凸函數 5 1 1 凸集 5 1 2 凸函數 5 1 3 凸函數的判定 5 2 最優化問題與求解演算法的一般形式 5 2 1 最優化問題及解的定義 5 2 2 優化演算法的一般思路 5 2 3 可行方向與下降方向 5 3 最優性條件 5 3 1 無約束問題的最優性條件 5 3 2 約束問題的最優性條件 5 3 3 KKT條件 5 4 梯度下降法 5 4 1 最速下降方向 5 4 2 梯度下降演算法 5 4 3 隨機梯度下降演算法 5 5 牛頓法 5 5 1 牛頓法的定義 5 5 2 擬牛頓法的定義 5 6 優化演算法在機器學習中的應用 5 6 1 優化演算法求解機器學習問題的一般模式 5 6 2 支持向量機的動機與基本概念 5 6 3 線性可分支持向量機 5 6 4 軟間隔最大化 本章參考文獻 第6章 概率模型 6 1 隨機變數及其分佈 6 1 1 概率的基本概念 6 1 2 隨機變數 6 1 3 離散型隨機變數 6 1 4 連續型隨機變數 6 1 5 隨機變數的函數及其分佈 6 1 6 多維隨機變數及其分佈 6 1 7 條件概率與條件分佈 6 2 隨機變數的數字特徵 6 2 1 隨機變數的數學期望 6 2 2 方差 6 2 3 協方差與相關係數 6 2 4 方差和協方差在PCA中的應用舉例 6 3 極限理論 6 3 1 隨機變數的矩與切比雪夫不等式 6 3 2 大數定律 6 3 3 中心極限定理 6 4 機器學習中的參數估計 6 4 1 最大似然估計 6 4 2 最大后驗估計 6 4 3 貝葉斯最優分類器 6 4 4 貝葉斯估計 本章參考文獻 第7章 資訊理論的基礎概念 7 1 熵 7 1 1 熵的概念 7 1 2 聯合熵 7 1 3 條件熵 7 1 4 互信息 7 1 5 熵的性質 7 1 6 熵在機器學習中的應用 7 2 交叉熵與損失函數 7 2 1 交叉熵的定義 7 2 2 交叉熵的性質 7 2 3 概率分佈推斷 7 2 4 交叉熵損失函數 7 3 KL散度 7 3 1 KL散度的定義 7 3 2 從熵編碼的角度理解KL散度 7 3 3 KL散度的性質 7 3 4 KL散度在機器學習中的應用 本章參考文獻 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
