從零開始：機器學數學原理和算法實踐

《從零開始：機器學數學原理和算法實踐》是2021年人民郵電出版社出版的圖書。

基本介紹

• 書名：從零開始：機器學數學原理和算法實踐
• 作者：大威
• 出版社：人民郵電出版社
• 出版時間：2021年6月1日
• 開本：16 開
• 裝幀：平裝
• ISBN：9787115556967

內容簡介

零基礎讀者應如何快速入門機器學習？數學基礎薄弱的讀者應如何理解機器學習中的數學原理？這些正是本書要解決的問題。本書從數學基礎知識入手，通過前3章的介紹，幫助讀者輕鬆複習機器學習涉及的數學知識；然後，通過第4-第13章的介紹，逐步講解機器學習常見算法的相關知識，幫助讀者快速入門機器學習；最後，通過第14章的綜合實踐，幫助讀者回顧本書內容，進一步鞏固所學知識。

《機器學習的數學原理和算法實踐》適合對機器學習感興趣但數學基礎比較薄弱的讀者學習，也適合作為相關專業的學生入門機器學習的參考用書。

圖書目錄

第 1章　補基礎：不怕學不懂微積分　1

1．1　深入理解導數的本質　2

1．1．1　哲學層面理解變化　2

1．1．2　生活中處處有函式　3

1．1．3　從瞬時速度到導數　3

1．1．4　從近似運動來理解導數　4

1．1．5　直觀理解複合函式求導　6

1．2　理解多元函式偏導　7

1．2．1　多元函式偏導數是什麼　7

1．2．2　搞清楚梯度是什麼　7

1．3　理解微積分　8

1．3．1　直觀理解積分　8

1．3．2　直觀理解微積分基本定理　10

1．4　泰勒公式太重要了　11

1．4．1　泰勒公式是什麼　11

1．4．2　泰勒公式的典型套用　11

1．4．3　直觀理解泰勒公式的來龍去脈　12

1．4．4　微積分基本定理與泰勒公式的關係　14

第 2章　補基礎：不怕學不懂線性代數　15

2．1　直觀理解向量　16

2．1．1　理解向量加法與數乘　17

2．1．2　理解向量乘法的本質　19

2．1．3　理解基向量與線性無關　21

2．2　直觀理解矩陣　22

2．2．1　理解矩陣運算規則　22

2．2．2　理解矩陣向量乘法的本質　24

2．2．3　深刻理解矩陣乘法的本質　29

2．3　理解線性方程組求解的本質　30

2．3．1　直觀理解方程組的解　31

2．3．2　如何尋找解的表達式　34

2．3．3　深刻理解逆矩陣的本質　36

2．3．4　直觀理解行列式的本質　40

2．4　徹底理解最小二乘法的本質　42

2．4．1　如何求解無解的方程組　43

2．4．2　論證 n 維子空間上的情況　48

2．4．3　搞懂施密特正交化是什麼　50

2．4．4　理解最小二乘法的本質　53

2．5　直觀理解相似矩陣對角化　54

2．5．1　相似矩陣是什麼　55

2．5．2　如何理解特徵值與特徵向量　59

2．5．3　直觀理解相似矩陣的對角化　62

第3章　補基礎：不怕學不懂機率統計　64

3．1　什麼是機率　64

3．1．1　最簡單的機率的例子　64

3．1．2　機率論與數理統計的關係　65

3．2　搞懂大數定律與中心極限定理　65

3．2．1　大數定律想表達什麼　65

3．2．2　中心極限定理想表達什麼　67

3．2．3　大數定律與中心極限定理的區別　70

3．3　理解機率統計中的重要分布　70

3．3．1　真正搞懂常態分配　70

3．3．2　真正搞懂泊松分布　74

3．4　理解樸素貝葉斯思想很重要　75

3．4．1　如何理解條件機率　75

3．4．2　如何理解貝葉斯公式　76

3．4．3　貝葉斯公式的套用　76

3．4．4　最大似然估計　77

第4章　全景圖：機器學習路線圖　79

4．1　通俗講解機器學習是什麼　79

4．1．1　究竟什麼是機器學習　79

4．1．2　機器學習的分類　81

4．2　機器學習所需環境介紹　82

4．2．1　Python的優勢　83

4．2．2　Python下載、安裝及使用　83

4．3　跟著例子熟悉機器學習全過程　84

4．4　準備數據包括什麼　87

4．4．1　數據採集　87

4．4．2　數據清洗　88

4．4．3　不均衡樣本處理　88

4．4．4　數據類型轉換　89

4．4．5　數據標準化　90

4．4．6　特徵工程　90

4．5　如何選擇算法　92

4．5．1　單一算法模型　92

4．5．2　集成學習模型　92

4．5．3　算法選擇路徑　96

4．6　調參最佳化怎么處理　97

4．6．1　關於調參的幾個常識　97

4．6．2　模型欠擬合與過擬合　98

4．6．3　常見算法調參的內容　98

4．6．4　算法調參的實踐方法　99

4．7　如何進行性能評估　100

4．7．1　回歸預測性能度量　100

4．7．2　分類任務性能度量　100

第5章　數據降維：深入理解PCA的來龍去脈　102

5．1　PCA是什麼　103

5．2　用一個例子來理解PCA過程　103

5．3　如何尋找降維矩陣P　106

5．4　PCA降維的核心思想　107

5．4．1　核心思想一：基變換向量投影　108

5．4．2　核心思想二：協方差歸零投影　112

5．4．3　核心思想三：最大方差投影　114

5．4．4　PCA降維的關鍵：協方差矩陣對角化　116

5．5　面向零基礎讀者詳解PCA降維　116

5．5．1　計算矩陣 Y 的協方差矩陣 Cy　116

5．5．2　矩陣 Y 的協方差矩陣 Cy 對角化　118

5．5．3　求解降維矩陣 P　120

5．6　編程實踐：手把手教你寫代碼　122

5．6．1　背景任務介紹：鳶尾花數據降維　122

5．6．2　代碼展示：手把手教你寫　123

5．6．3　代碼詳解：一步一步講解清楚　123

第6章　凸最佳化核心過程：真正搞懂梯度下降過程　126

6．1　通俗講解凸函式　126

6．1．1　什麼是凸集　126

6．1．2　什麼是凸函式　127

6．1．3　機器學習“熱愛”凸函式　128

6．2　通俗講解梯度下降　128

6．2．1　梯度是什麼　130

6．2．2　梯度下降與參數求解　130

6．2．3　梯度下降具體過程演示　131

6．3　編程實踐：手把手教你寫代碼　132

6．3．1　一元函式的梯度下降　132

6．3．2　多元函式的梯度下降　137

第7章　搞懂算法：線性回歸是怎么回事　142

7．1　什麼是線性回歸　142

7．2　線性回歸算法解決什麼問題　143

7．3　線性回歸算法實現過程　143

7．4　編程實踐：手把手教你寫代碼　146

7．4．1　背景任務介紹：預測房價情況　146

7．4．2　代碼展示：手把手教你寫　147

7．4．3　代碼詳解：一步一步講解清楚　147

第8章　搞懂算法：邏輯回歸是怎么回事　150

8．1　如何理解邏輯回歸　150

8．2　邏輯回歸算法實現過程　151

8．3　編程實踐：手把手教你寫代碼　155

8．3．1　背景任務介紹：用邏輯回歸分類預測腫瘤　155

8．3．2　代碼展示：手把手教你寫　155

8．3．3　代碼詳解：一步一步講解清楚　156

第9章　搞懂算法：決策樹是怎么回事　159

9．1　典型的決策樹是什麼樣的　159

9．2　決策樹算法的關鍵是什麼　160

9．3　信息、信息量與信息熵　161

9．4　信息增益的計算過程　163

9．5　剪枝處理是怎么回事　167

9．6　編程實踐：手把手教你寫代碼　167

9．6．1　背景任務介紹：用決策樹分類預測乳腺癌　167

9．6．2　代碼展示：手把手教你寫　167

9．6．3　代碼詳解：一步一步講解清楚　168

第 10章　搞懂算法：支持向量機是怎么回事　171

10．1　SVM有什麼用　171

10．2　SVM算法原理和過程是什麼　172

10．2．1　分離超平面是什麼　172

10．2．2　間隔與支持向量是什麼　175

10．3　編程實踐：手把手教你寫代碼　180

10．3．1　背景任務介紹：用SVM分類預測乳腺癌　180

10．3．2　代碼展示：手把手教你寫　180

10．3．3　代碼詳解：一步一步講解清楚　181

第 11章　搞懂算法：聚類是怎么回事　184

11．1　聚類算法介紹　184

11．1．1　聚類是什麼　184

11．1．2 　聚類算法套用場景　185

11．2　通俗講解聚類算法過程　186

11．2．1　相似度如何度量　186

11．2．2　聚類性能如何度量　188

11．2．3　具體算法介紹：K-means算法　188

11．2．4　具體算法介紹：K-means++算法　189

11．3　編程實踐：手把手教你寫代碼　191

11．3．1　背景任務介紹：手寫數字圖像聚類　191

11．3．2　代碼展示：手把手教你寫　191

11．3．3　代碼詳解：一步一步講解清楚　193

第 12章　搞懂算法：樸素貝葉斯是怎么回事　195

12．1　樸素貝葉斯是什麼　195

12．1．1　條件機率是什麼　195

12．1．2　貝葉斯公式是什麼　195

12．2　樸素貝葉斯實現方法　196

12．2．1　伯努利樸素貝葉斯方法　196

12．2．2　高斯樸素貝葉斯方法　198

12．2．3　多項式樸素貝葉斯方法　199

12．3　編程實踐：手把手教你寫代碼　200

12．3．1　背景任務介紹：樸素貝葉斯分類預測文本類別　200

12．3．2　代碼展示：手把手教你寫　201

12．3．3　代碼詳解：一步一步講解清楚　201

第 13章　搞懂算法：神經網路是怎么回事　205

13．1　從一個具體任務開始：識別數字　206

13．2　理解神經元是什麼　207

13．2．1　感知器是什麼　207

13．2．2　S型神經元是什麼　208

13．3　理解典型神經網路多層感知器　210

13．3．1　神經網路結構是什麼　210

13．3．2　搞懂MLP的工作原理是什麼　211

13．4　MLP的代價函式與梯度下降　216

13．4．1　代價函式：參數最佳化的依據　216

13．4．2　梯度下降法：求解代價函式最小值　217

13．5　反向傳播算法的本質與推導過程　219

13．5．1　反向傳播算法：神經網路的訓練算法　219

13．5．2　尋根究底：搞懂反向傳播算法的數學原理　221

13．6　編程實踐：手把手教你寫代碼　224

13．6．1　通過代碼深入理解反向傳播算法　224

13．6．2　一個簡單的神經網路分類算法實踐　227

第 14章　綜合實踐：模型最佳化的經驗技巧　230

14．1　經驗技巧一：特徵處理　230

14．1．1　特徵提取：文本數據預處理　230

14．1．2　特徵選擇：篩選特徵組合　234

14．2　經驗技巧二：模型配置最佳化　235

14．2．1　模型配置最佳化方法：交叉驗證　235

14．2．2　模型配置最佳化方法：超參數搜尋　237

14．3　編程實踐：手把手教你寫代碼　239

14．3．1　背景任務介紹：乳腺癌分類預測多模型對比演示　240

14．3．2　算法介紹：本案例算法簡介　240

14．3．3　代碼展示：手把手教你寫　241

14．3．4　代碼詳解：一步一步講解清楚　244

14．4　經驗總結：機器學習經驗之談　252

14．4．1　機器學習中的誤區　252

14．4．2　如何學好機器學習　253

作者簡介

大威，本名張威，西安交通大學工科試驗班（工管貫通班）碩士畢業，信息系統項目管理師（高級資質）、高級經濟師、中國計算機學會會員、中國通信學會會員。擁有多年數據建模、數據挖掘與商業諮詢經驗，現就職於某行業領先的大數據公司，負責大數據產品及人工智慧產品的規劃設計管理工作。