人工智能参考书，大数据挖掘指导书。
电子书
编辑推荐
《人工智能基础 数学知识》的目标在于拉低机器学习入门的门槛，揭开人工智能理论层面的神秘面纱。《人工智能基础 数学知识》假设读者没有深厚的理工背景，完全站在一个迫切想入门人工智能的外行的角度上，力争让每个有兴趣、有热情的读者不会在人工智能的大潮中落伍。
《人工智能基础 数学知识》结合工程应用场景以及Python代码来解读人工智能背后的数学原理和意义，使读者不仅知其然，还知其所以然，让学习数学不再枯燥。本书中的案例、代码都是通过精心挑选的，读者通过阅读、模仿和实践，可以很快地发现“人工智能”原来如此。
内容简介
本书基于流行的Python语言，介绍了入门人工智能领域必需必会的数学知识。全书分为线性代数、概率和优化等3篇，共21章，覆盖了人工智能领域中重要的数学知识点。
章节目录
- 扉页
- 版权页
- 作者简介
- 自序
- 致谢
- 前言
- 资源与支持
- 目录
- 第一篇 线性代数
- 第1章 论线性代数的重要性
- 1.1 小白的苦恼
- 1.2 找朋友
- 1.3 找推荐
- 1.4 赚大钱
- 第2章 从相似到向量
- 2.1 问题：如何比较相似
- 2.2 代码示例
- 2.3 专家解读
- 第3章 向量和向量运算
- 3.1 代码示例：在Python中使用向量
- 3.1.1 创建向量
- 3.1.2 向量的范数（模长）
- 3.1.3 向量的相等
- 3.1.4 向量加法（减法）
- 3.1.5 向量的数乘
- 3.1.6 向量的线性组合
- 3.1.7 向量的乘法（点积）
- 3.2 专家解读
- 第4章 最难的事情——向量化
- 4.1 问题：如何对文本向量化
- 4.2 One-Hot Encoding方式
- 4.2.1 做法1：二值化
- 4.2.2 做法2：词频法
- 4.2.3 做法3：TF-IDF
- 4.3 专家解读
- 4.3.1 稀疏向量和稠密向量
- 4.3.2 One-Hot到 Word2Vec
- 第5章 从线性方程组到矩阵
- 5.1 回归预测
- 5.2 从方程组到矩阵
- 5.3 工程中的方程组
- 第6章 空间、子空间、方程组的解
- 6.1 空间和子空间
- 6.2 子空间有什么用
- 6.3 所谓最优解指什么
- 第7章 矩阵和矩阵运算
- 7.1 认识矩阵
- 7.2 创建矩阵
- 7.2.1 代码示例：如何创建矩阵
- 7.2.2 代码示例：如何创建对角矩阵
- 7.2.3 代码示例：如何创建单位矩阵
- 7.2.4 代码示例：如何创建对称矩阵
- 7.3 矩阵运算
- 7.3.1 代码示例：矩阵加法和数乘
- 7.3.2 代码示例：矩阵乘法
- 7.3.3 代码示例：求逆矩阵
- 第8章 解方程组和最小二乘解
- 8.1 代码实战：解线性方程组
- 8.2 代码实战：用最小二乘法解方程组
- 8.3 专家解读：最小二乘解
- 8.3.1 损失函数
- 8.3.2 最小二乘解
- 第9章 带有正则项的最小二乘解
- 9.1 代码实战：多项式回归
- 9.2 代码实战：岭回归
- 9.3 代码实战：Lasso回归
- 第10章 矩阵分解的用途
- 10.1 问题1：消除数据间的信息冗余
- 10.2 问题2：模型复杂度
- 10.3 代码实战：PCA降维
- 10.4 专家解读
- 10.5 从PCA到SVD
- 第11章 降维技术哪家强
- 11.1 问题：高维数据可视化
- 11.2 代码实战：多种数据降维
- 11.3 专家解读：从线性降维到流形学习
- 第12章 矩阵分解和隐因子模型
- 12.1 矩阵分解和隐因子模型概述
- 12.2 代码实战： SVD和文档主题
- 12.3 小结
- 第二篇 概率
- 第13章 概率建模
- 13.1 概率
- 13.2 随机变量和分布
- 13.2.1 （0-1）分布（伯努利分布）
- 13.2.2 二项分布
- 13.2.3 多项分布
- 13.2.4 正态分布
- 13.3 代码实战：检查数据是否服从正态分布
- 13.4 专家解读：为什么正态分布这么厉害
- 13.5 小结
- 第14章 最大似然估计
- 14.1 最大似然原理
- 14.2 代码实战：最大似然举例
- 14.3 专家解读：最大似然和正态分布
- 14.4 最大似然和回归建模
- 14.5 小结
- 第15章 贝叶斯建模
- 15.1 什么是随机向量
- 15.2 随机向量的分布
- 15.3 独立VS不独立
- 15.4 贝叶斯公式
- 15.5 小结
- 第16章 朴素贝叶斯及其拓展应用
- 16.1 代码实战：情感分析
- 16.2 专家解读
- 16.3 代码实战：优选健身计划
- 16.4 小结
- 第17章 进一步体会贝叶斯
- 17.1 案例：这个机器坏了吗
- 17.2 专家解读：从贝叶斯到在线学习
- 第18章 采样
- 18.1 贝叶斯模型的困难
- 18.2 代码实战：拒绝采样
- 18.3 代码实战： ＭＨ采样
- 18.4 专家解读：拒绝采样算法
- 18.4.1 MH算法
- 18.4.2 马尔科夫链和细致平稳条件
- 18.4.3 细致平稳条件和接受率的关系
- 18.5 专家解读：从MH到Gibbs
- 18.6 小结
- 第三篇 优化
- 第19章 梯度下降算法
- 19.1 代码实战：梯度下降算法
- 19.2 专家解读：梯度下降算法
- 19.3 代码实战：随机梯度下降算法
- 19.4 专家解读：随机梯度下降算法
- 19.5 小结
- 第20章 逻辑回归
- 20.1 代码实战：逻辑回归
- 20.2 专家解读：逻辑回归的原理
- 20.3 代码实战：逻辑回归梯度下降算法
- 第21章 凸优化
- 21.1 凸优化扫盲
- 21.2 正则化和凸优化
- 21.3 小结
- 附录A 工作环境搭建说明
- A.1 什么是Python
- A.2 本书所需的工作环境
- A.2.1 Anaconda版本选择
- A.2.2 多版本共存的Anaconda安装方式
- A.2.3 安装Anaconda主版本（Anaconda 2）
- A.2.4 安装Anaconda辅版本（Anaconda 3）
- A.2.5 开发工具的选择
- 结语
展开全部
人工智能基础——数学知识是2020年由人民邮电出版社出版,作者张晓明。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人工智能基础——数学知识》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
轻松入门机器学习，理论实战并重，适合零基础学习者。
电子书
本书系统地阐述了人工智能的基本理论、基本技术、研究方法和应用领域。
电子书
本书用TensorFlow框架针对现实场景设计深度学习系统，实现有趣的深度学习项目。
电子书
全面探讨AI理论实践，涵盖逻辑、概率、感知等领域，实际应用贯穿微电子、自动驾驶等热门技术。
电子书
本书介绍了自然语言处理的原理与Java编程语言的技术实现，主要包括多种语言的文本处理、分布式算法与代码实现、自然语言处理相关系统构建等内容。
电子书
本书从概念和数学原理上对人工智能所涉及的数据处理常用算法、图像识别、语音识别、自然语言处理、深度学习等几个主要方面进行了阐述，并以Python为主要工具进行了相应的编程实践，以使读者对人工智能相关技术有更直观和深入的理解。此外，本书还用几个独立的章节从原理和实践上介绍了量子计算、区块链技术、并行计算、增强现实等与人工智能密切相关的前沿技术。
电子书
本书重点突出强化学习作为机器学习及人工智能领域的一种重要方法，在游戏、自动驾驶、机器人路线规划等领域得到了广泛的应用。
