白話機器學(xué)習(xí)——統(tǒng)計+概率+算法原理
定 價：149 元
當(dāng)前圖書已被 1 所學(xué)校薦購過！
查看明細(xì)
- 作者：洪錦魁
- 出版時間：2024/12/1
- ISBN：9787302697374
- 出 版 社：清華大學(xué)出版社
- 中圖法分類：TP181
- 頁碼：
- 紙張：膠版紙
- 版次：
- 開本：16開
方程式與函數(shù)，一元函數(shù)到多元函數(shù)，最小平方法，基礎(chǔ)統(tǒng)計，概率與貝葉斯理論，指數(shù)與對數(shù)，logit函數(shù)與logistic函數(shù)，向量與矩陣，二次函數(shù)、三次函數(shù)與多項式函數(shù)，線性回歸——波士頓房價，邏輯回歸——/葡萄酒/糖尿病，決策樹——葡萄酒/鐵達(dá)尼號/Telco/Retail，隨方程式與函數(shù)，一元函數(shù)到多元函數(shù)，最小平方法，基礎(chǔ)統(tǒng)計，機率與貝式理論，指數(shù)與對數(shù)，logit函數(shù)與logistic函數(shù)，向量與矩陣，二次函數(shù)、三次函數(shù)與多項式函數(shù)，線性回歸–波士頓房價，邏輯回歸–/葡萄酒/糖尿病，判定樹–葡萄酒/鐵達(dá)尼號/Telco/Retail，隨機森林樹–波士頓房價/泰坦尼克號/Telco/收入分析，KNN算法–電影推薦/足球射門/鳶尾花/小行星撞地球，支援向量機–鳶尾花/乳癌/汽車燃料，單純貝式分類–垃圾郵件/中英文的新聞分類/情感分析/電影評論，集成機器學(xué)習(xí)–蘑菇/醫(yī)療保險/玻璃/加州房價，K-means分群–購物中心消費/葡萄酒評價，PCA主成分分析–手寫數(shù)字/人臉數(shù)據(jù)，階層式分群–小麥數(shù)據(jù)/老實泉，DBSCAN算法–購物中心客戶分析。
本書通過大量的程序?qū)嵗�，全面講解了機器學(xué)習(xí)中的知識點。
前 言
AI時代來了，機器學(xué)習(xí)成了當(dāng)今的顯學(xué)。過去閱讀機器學(xué)習(xí)的相關(guān)書籍，最�？吹降氖瞧D澀難懂的數(shù)學(xué)公式推導(dǎo)，因此對于許多讀者而言可能是很好的催眠劑，對筆者而言也是如此。因此，筆者撰寫本書的初衷是：
將機器學(xué)習(xí)的知識，用大白話講述，讓讀者看得懂，學(xué)得會。
理論講解搭配實際案例探討，讓讀者徹底了解理論與實務(wù)。
筆者和許多機器學(xué)習(xí)領(lǐng)域的討論過，大家一致認(rèn)為，一本好的機器學(xué)習(xí)書籍應(yīng)具備下列特色：
盡可能用大白話解釋數(shù)學(xué)原理或算法，讓讀者以最簡單的方式學(xué)會機器學(xué)習(xí)。
從機器學(xué)習(xí)有關(guān)基礎(chǔ)數(shù)學(xué)說起，同時用圖表與程序?qū)嵗o助講解。
用圖表與程序?qū)嵗庹f基礎(chǔ)統(tǒng)計概念。
說明基礎(chǔ)概率與簡單貝葉斯理論，用程序?qū)⒗碚摶癁閷峜。
講解機器學(xué)習(xí)有關(guān)的Scikit-learn方法，同時用簡單數(shù)據(jù)理解此方法。
從簡單的數(shù)據(jù)開始說明機器學(xué)習(xí)的算法。
理論知識與實際應(yīng)用之間可能有巨大的差異，因此應(yīng)提供一些程序代碼范例，讓讀者能理解如何將這些理論知識轉(zhuǎn)化為實際的程序代碼。
針對問題的策略與技巧，除了基礎(chǔ)理論和程序代碼范例外，還應(yīng)能提供一些針對特定問題的策略和技巧，如特征選擇、模型選擇、超參數(shù)調(diào)整等。
實際的案例能讓讀者理解如何在現(xiàn)實世界中應(yīng)用機器學(xué)習(xí)，因此應(yīng)包含一些真實世界的案例分析，來說明如何應(yīng)用這些理論知識和技巧。
撰寫本書時，筆者時時刻刻將上述特色放在內(nèi)心，并呈現(xiàn)在本書中。本書應(yīng)該是目前機器學(xué)習(xí)領(lǐng)域最完整的中文書籍。全書內(nèi)容有35章，前面21章介紹了基礎(chǔ)數(shù)學(xué)、統(tǒng)計、概率相關(guān)知識；第22 ~ 34章以Scikit-learn為基礎(chǔ)，介紹了機器學(xué)習(xí)算法的概念，以及真實案例分析；第35章則以現(xiàn)成的模塊，介紹了語音識別，讀者可以從中學(xué)會如何讀取語音輸入，或是將文字轉(zhuǎn)成語音。全書有416個Python程序?qū)嵗�。讀者可以由本書內(nèi)容，了解下列與機器學(xué)習(xí)有關(guān)的基礎(chǔ)數(shù)學(xué)、統(tǒng)計知識：
方程式與函數(shù)。
一元函數(shù)到多元函數(shù)。
最小二乘法。
基礎(chǔ)統(tǒng)計。
概率與單純貝葉斯理論。
指數(shù)與對數(shù)。
logit函數(shù)與logistic函數(shù)。
向量與矩陣。
二次函數(shù)、三次函數(shù)與多項式函數(shù)。
此外，筆者從簡單的實例開始介紹了下列機器學(xué)習(xí)的算法，每一種算法皆是從基礎(chǔ)數(shù)據(jù)開始講解，然后跨入真實數(shù)據(jù)，講解應(yīng)該如何將算法應(yīng)用到真實案例環(huán)境：
線性回歸 — 波士頓房價。
邏輯回歸 — 、葡萄酒、糖尿病。
決策樹 — 葡萄酒、泰坦尼克號、Telco/Retail。
隨機森林 — 波士頓房價、泰坦尼克號、Telco、收入分析。
KNN算法 — 電影推薦、足球射門、鳶尾花、小行星撞地球。
支持向量機 — 鳶尾花、乳腺癌、汽車燃料。
單純貝葉斯分類 — 垃圾郵件、中英文的新聞分類、情感分析、電影評論。
集成機器學(xué)習(xí) — 蘑菇、醫(yī)療保險、玻璃、加州房價。
K均值聚類 — 購物中心消費、葡萄酒評價。
PCA主成分分析 — 手寫數(shù)字、人臉數(shù)據(jù)。
階層式聚類 — 小麥數(shù)據(jù)、老實泉。
DBSCAN算法 — 購物中心客戶分析。
在講解上述算法時，筆者同時介紹了下列應(yīng)該知道的機器學(xué)習(xí)知識：
特征選擇。
用直方圖了解特征分布。
用箱型圖了解異常值。
數(shù)據(jù)預(yù)處理。
殘差圖(residual plot)。
機器學(xué)習(xí)性能評估。
數(shù)據(jù)泄露(data leakage)。
繪制決策樹圖(decision tree map)。
可視化熱力圖(heat map)。
決策邊界(decision boundary)。
增加數(shù)據(jù)維度與超平面。
交叉驗證(cross-validation)。
泛化能力(generalization ability)。
過擬合(overfitting)。
欠擬合(underfitting)。
弱學(xué)習(xí)器(weaks learners)。
強學(xué)習(xí)器(strong learners)。
學(xué)習(xí)模型(base learner)。
本書最后一章，介紹了熱門的AI主題—語音識別。通過本章內(nèi)容讀者可以學(xué)會下列知識：
語音轉(zhuǎn)文字。
文字轉(zhuǎn)語音。
本書雖然沒有專門章節(jié)介紹機器學(xué)習(xí)必須掌握的繪圖知識，如matplotlib、seaborn、數(shù)據(jù)預(yù)處理（如numpy、pandas），但是在解說每個程序時，已經(jīng)用文字和程序?qū)嵗v解了這方面的相關(guān)知識，讀者可以潛移默化地學(xué)會這方面的知識。
筆者寫過許多計算機相關(guān)著作，本書沿襲了筆者著作的特色，程序?qū)嵗S富，相信讀者只要遵循本書內(nèi)容，必定可以在最短時間內(nèi)，精通使用Python設(shè)計機器學(xué)習(xí)相關(guān)應(yīng)用的知識。筆者編著本書雖力求優(yōu)質(zhì)，但是限于筆者學(xué)識經(jīng)歷不足，謬誤難免，尚祈讀者不吝指正。
洪錦魁2025-07-30
本書資源獲取說明
本書中的程序?qū)嵗梢話呙柘路蕉S碼獲取。
洪錦魁,資深I(lǐng)T作家，具備30余年的IT從業(yè)及寫作經(jīng)歷，為老中青三代程序員創(chuàng)作了上百本IT圖書，其作品始終屹立于編程基礎(chǔ)圖書巔峰而口碑不輟。洪老師的書，不拼頁數(shù)，不拼華而不實的所謂“增值品”，每節(jié)文字確保能看懂，每段代碼確保能跑通，每個提醒確保能用上，每個篇章確保有收獲。
目 錄
第1章 機器學(xué)習(xí)基本概念1
1-1 人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)
2
1-2 認(rèn)識機器學(xué)習(xí)2
1-3 機器學(xué)習(xí)的種類2
1-3-1 監(jiān)督學(xué)習(xí)3
1-3-2 無監(jiān)督學(xué)習(xí)4
1-3-3 強化學(xué)習(xí)4
1-4 機器學(xué)習(xí)的應(yīng)用范圍4
1-5 深度學(xué)習(xí)5
第2章 機器學(xué)習(xí)的基礎(chǔ)數(shù)學(xué)6
2-1 用數(shù)字描繪事物7
2-2 變量概念7
2-3 從變量到函數(shù)7
2-4 等式運算的規(guī)則8
2-5 代數(shù)運算的基本規(guī)則9
2-6 用數(shù)學(xué)抽象化開餐廳的生存條件9
2-6-1 數(shù)學(xué)模型 9
2-6-2 經(jīng)營數(shù)字預(yù)估9
2-6-3 經(jīng)營績效的計算 10
2-7 基礎(chǔ)數(shù)學(xué)的結(jié)論10
第3章 認(rèn)識方程式、函數(shù)、坐標(biāo)
圖形11
3-1 認(rèn)識方程式12
3-2 方程式文字描述方法12
3-3 一元一次方程式13
3-4 函數(shù)13
3-5 坐標(biāo)圖形分析14
3-5-1 坐標(biāo)圖形與線性關(guān)系14
3-5-2 斜率與截距的意義15
3-5-3 細(xì)看斜率16
3-5-4 細(xì)看y截距16
3-5-5 細(xì)看x截距16
3-6 將線性函數(shù)應(yīng)用于機器學(xué)習(xí)17
3-6-1 再看直線函數(shù)與斜率17
3-6-2 機器學(xué)習(xí)與線性回歸18
3-6-3 相同斜率平行移動18
3-6-4 不同斜率與相同截距19
3-6-5 不同斜率與不同截距19
3-7 二元函數(shù)到多元函數(shù)19
3-7-1 二元函數(shù)基本概念19
3-7-2 二元函數(shù)的圖形20
3-7-3 等高線圖20
3-7-4 多元函數(shù)21
3-8 Sympy模塊22
3-8-1 定義符號22
3-8-2 name屬性22
3-8-3 定義多個符號變量22
3-8-4 符號的運算23
3-8-5 將數(shù)值代入公式23
3-8-6 將字符串轉(zhuǎn)為數(shù)學(xué)表
達(dá)式23
3-8-7 Sympy模塊支持的數(shù)學(xué)
函數(shù)23
3-8-8 解一元一次方程式24
第4章 從聯(lián)立方程式看機器學(xué)習(xí)的
數(shù)學(xué)模型25
4-1 數(shù)學(xué)概念建立連接兩點的
直線26
4-1-1 基礎(chǔ)概念26
4-1-2 聯(lián)立方程式26
4-1-3 使用加減法解聯(lián)立方
程式26
4-1-4 使用代入法解聯(lián)立方
程式27
4-1-5 使用Sympy解聯(lián)立方
程式27
4-2 機器學(xué)習(xí)使用聯(lián)立方程式推估
數(shù)據(jù)28
4-2-1 基本概念28
4-2-2 數(shù)據(jù)推估30
4-3 從兩條直線的交叉點推估科學(xué)
數(shù)據(jù)31
4-3-1 雞兔同籠31
4-3-2 達(dá)成業(yè)績目標(biāo)33
4-4 兩條直線垂直交叉34
4-4-1 基礎(chǔ)概念34
4-4-2 求解坐標(biāo)某一點至一條直線
的垂直線36
第5章 從勾股定理看機器學(xué)習(xí)38
5-1 驗證勾股定理39
5-1-1 認(rèn)識直角三角形39
5-1-2 驗證勾股定理39
5-2 將勾股定理應(yīng)用于性向測試40
5-2-1 問題核心分析40
5-2-2 數(shù)據(jù)運算40
5-3 將勾股定理應(yīng)用于三維空間41
5-4 將勾股定理應(yīng)用于更高維的
空間41
5-5 電影分類42
5-5-1 規(guī)劃特征值42
5-5-2 項目程序?qū)峜42
5-5-3 電影分類結(jié)論43
5-6 計算兩個向量的歐幾里得距離43
第6章 聯(lián)立不等式與機器學(xué)習(xí)44
6-1 聯(lián)立不等式與機器學(xué)習(xí)的關(guān)系45
6-2 再看聯(lián)立不等式的基本概念45
6-3 聯(lián)立不等式的線性規(guī)劃45
6-3-1 案例分析45
6-3-2 用聯(lián)立不等式表達(dá)46
6-3-3 在坐標(biāo)軸上繪不等式的
區(qū)域46
6-3-4 目標(biāo)函數(shù)47
6-3-5 平行移動目標(biāo)函數(shù)48
6-3-6 將交叉點坐標(biāo)代入目標(biāo)
函數(shù)48
6-4 Python計算48
第7章 機器學(xué)習(xí)需要知道的二次
函數(shù)50
7-1 二次函數(shù)的基礎(chǔ)數(shù)學(xué)51
7-1-1 求一元二次方程式的根51
7-1-2 繪制一元二次方程式的
圖形53
7-1-3 一元二次方程式的最小值
與最大值54
7-1-4 一元二次函數(shù)參數(shù)整理56
7-1-5 一元三次函數(shù)的圖形
特征57
7-2 從一次到二次函數(shù)的實務(wù)58
7-2-1 呈現(xiàn)好的變化58
7-2-2 呈現(xiàn)不好的變化58
7-3 認(rèn)識二次函數(shù)的系數(shù)59
7-4 使用3個點求解一元二次函數(shù)59
7-4-1 手動求解一元二次函數(shù)59
7-4-2 程序求解一元二次函數(shù)60
7-4-3 繪制一元二次函數(shù)60
7-4-4 使用業(yè)績回推應(yīng)有的拜訪
次數(shù)61
7-5 二次函數(shù)的配方法62
7-5-1 基本概念62
7-5-2 配方法62
7-5-3 從標(biāo)準(zhǔn)式計算二次函數(shù)的
最大值63
7-5-4 從標(biāo)準(zhǔn)式計算二次函數(shù)的
最小值64
7-6 二次函數(shù)與解答區(qū)間64
7-6-1 營銷問題分析64
7-6-2 二次函數(shù)分析增加業(yè)績的
臉書營銷次數(shù)65
7-6-3 將不等式應(yīng)用在條件
區(qū)間66
7-6-4 非實數(shù)根67
第8章 機器學(xué)習(xí)的最小二乘法68
8-1 最小二乘法基本概念69
8-1-1 基本概念69
8-1-2 數(shù)學(xué)觀點70
8-2 簡單的企業(yè)實例70
8-3 機器學(xué)習(xí)建立含誤差值的線性
方程式71
8-3-1 概念啟發(fā) 71
8-3-2 三項和的平方71
8-3-3 公式推導(dǎo)72
8-3-4 使用配方法計算直線的
斜率和截距72
8-4 Numpy實c最小二乘法73
8-5 線性回歸74
8-6 實務(wù)應(yīng)用75
第9章 機器學(xué)習(xí)必須懂的集合77
9-1 使用Python建立集合78
9-1-1 使用{ }建立集合78
9-1-2 集合元素是優(yōu)質(zhì)的78
9-1-3 使用set( )建立集合78
9-1-4 集合的基數(shù)78
9-1-5 建立空集合要用set( )79
9-1-6 大數(shù)據(jù)與集合的應(yīng)用79
9-2 集合的c作79
9-2-1 交集79
9-2-2 并集80
9-2-3 差集81
9-2-4 對稱差集81
9-3 子集、超集與補集82
9-3-1 子集82
9-3-2 超集82
9-3-3 補集83
9-4 加入與刪除集合元素83
9-5 冪集與Sympy模塊84
9-5-1 Sympy模塊與集合84
9-5-2 建立冪集84
9-5-3 冪集的元素個數(shù)84
9-6 笛卡兒積84
9-6-1 集合相乘84
9-6-2 集合的n次方85
第10章 機器學(xué)習(xí)必須懂的排列與
組合86
10-1 排列的基本概念87
10-1-1 試驗與事件87
10-1-2 事件結(jié)果87
10-2 有多少條回家路88
10-3 排列組合89
10-4 階乘的概念90
10-5 重復(fù)排列93
10-6 組合93
第11章 機器學(xué)習(xí)需要認(rèn)識的概率95
11-1 概率的基本概念96
11-2 數(shù)學(xué)概率與統(tǒng)計概率98
11-3 事件概率名稱98
11-4 事件概率規(guī)則99
11-4-1 不發(fā)生概率99
11-4-2 概率相加99
11-4-3 概率相乘99
11-4-4 常見的陷阱99
11-5 抽獎的概率—加法與乘法綜合
應(yīng)用99
11-6 余事件與乘法的綜合應(yīng)用101
11-7 條件概率101
11-7-1 基礎(chǔ)概念101
11-7-2 再談實例102
11-8 貝葉斯定理103
11-8-1 基本概念103
11-8-2 用實例驗證貝葉斯
定理103
11-8-3 貝葉斯定理的運用—
COVID-19的全民普篩
準(zhǔn)確性推估104
11-8-4 再看一個醫(yī)學(xué)實例104
11-8-5 貝葉斯定理篩選垃圾
電子郵件的基礎(chǔ)概念105
11-8-6 垃圾郵件分類項目
實c105
11-9 蒙特卡洛模擬109
11-10 Numpy的隨機模塊random110
11-10-1 np.random.rand( )110
11-10-2 np.random.randint( )110
11-10-3 np.random.seed( )111
11-10-4 np.random.shuffle( )112
11-10-5 np.random.choice( )113
11-10-6 使用隨機數(shù)數(shù)組產(chǎn)生
圖像114
第12章 二項式定理115
12-1 二項式的定義116
12-2 二項式的幾何意義116
12-3 二項式展開與規(guī)律性分析116
12-4 找出xn-kyk項的系數(shù)117
12-4-1 基礎(chǔ)概念 117
12-4-2 組合數(shù)學(xué)概念117
12-4-3 系數(shù)公式推導(dǎo)與驗證118
12-5 二項式的通式119
12-5-1 驗證頭尾系數(shù)比較119
12-5-2 中間系數(shù)驗證119
12-6 二項式到多項式119
12-7 二項分布實驗119
12-8 將二項式概念應(yīng)用于業(yè)務(wù)數(shù)據(jù)
分析120
12-8-1 每5次銷售0張考卷的
概率120
12-8-2 每5次銷售1張考卷的
概率120
12-8-3 每5次銷售2張考卷的
概率121
12-8-4 每5次銷售0~2張考卷的
概率121
12-8-5 列出拜訪5次銷售k張考
卷的概率通式121
12-9 二項式概率分布Python實c121
12-10 Numpy隨機數(shù)模塊的binomial( )
函數(shù)124
12-10-1 可視化模塊Seaborn124
12-10-2 Numpy的二項式隨機
函數(shù)binomial124
第13章 指數(shù)概念與指數(shù)函數(shù)126
13-1 認(rèn)識指數(shù)函數(shù)127
13-1-1 基礎(chǔ)概念127
13-1-2 復(fù)利計算實例127
13-1-3 病毒復(fù)制128
13-1-4 指數(shù)應(yīng)用在價值衰減128
13-1-5 用指數(shù)概念看iPhone
容量129
13-2 指數(shù)運算的規(guī)則129
13-3 指數(shù)函數(shù)的圖形131
13-3-1 底數(shù)是變量的圖形131
13-3-2 指數(shù)是實數(shù)變量131
13-3-3 指數(shù)是實數(shù)變量但底數(shù)
小于1132
第14章 對數(shù)133
14-1 認(rèn)識對數(shù)函數(shù)134
14-1-1 對數(shù)的由來134
14-1-2 從數(shù)學(xué)看指數(shù)的運作
概念134
14-1-3 再看對數(shù)函數(shù)134
14-1-4 天文數(shù)字的處理135
14-1-5 Python的對數(shù)函數(shù)應(yīng)用135
14-2 對數(shù)表的功能136
14-2-1 對數(shù)表基礎(chǔ)應(yīng)用136
14-2-2 更精確的對數(shù)表136
14-3 對數(shù)運算可以解決指數(shù)運算的
問題137
14-3-1 用指數(shù)處理相當(dāng)數(shù)值的
近似值137
14-3-2 使用對數(shù)簡化運算138
14-4 認(rèn)識對數(shù)的特性138
14-5 對數(shù)的運算規(guī)則與驗證139
14-5-1 等號兩邊使用對數(shù)處理
結(jié)果不變139
14-5-2 對數(shù)的真數(shù)是1139
14-5-3 對數(shù)的底數(shù)等于真數(shù)139
14-5-4 對數(shù)內(nèi)真數(shù)的指數(shù)可以
移到外面139
14-5-5 對數(shù)內(nèi)真數(shù)是兩數(shù)據(jù)相乘
結(jié)果是兩數(shù)據(jù)各取對數(shù)后
再相加140
14-5-6 對數(shù)內(nèi)真數(shù)是兩數(shù)據(jù)相除
結(jié)果是兩數(shù)據(jù)先取對數(shù)后
再相減140
14-5-7 底數(shù)變換140
第15章 歐拉數(shù)與邏輯函數(shù)141
15-1 認(rèn)識歐拉數(shù)142
15-1-1 認(rèn)識歐拉數(shù)142
15-1-2 歐拉數(shù)的緣由142
15-1-3 歐拉數(shù)使用公式做
定義143
15-1-4 計算與繪制歐拉數(shù)的函數(shù)
圖形143
15-2 邏輯函數(shù)144
15-2-1 認(rèn)識邏輯函數(shù)144
15-2-2 x是正無限大144
15-2-3 x是0145
15-2-4 x是負(fù)無限大145
15-2-5 繪制邏輯函數(shù)145
15-2-6 Sigmoid函數(shù)145
15-3 logit函數(shù)146
15-3-1 認(rèn)識Odds146
15-3-2 從Odds到logit函數(shù)147
15-3-3 繪制logit函數(shù)147
15-4 邏輯函數(shù)的應(yīng)用147
15-4-1 事件說明與分析147
15-4-2 從邏輯函數(shù)到logit
函數(shù)148
15-4-3 使用logit函數(shù)獲得
系數(shù)149
第16章 三角函數(shù)150
16-1 直角三角形的邊長與夾角151
16-2 三角函數(shù)的定義151
16-3 計算三角形的面積152
16-3-1 計算直角三角形面積152
16-3-2 計算非直角三角形
面積152
16-4 角度與弧度153
16-4-1 角度的定義153
16-4-2 弧度的由來153
16-4-3
書單推薦
