✍ Scribed by 洪锦魁
No coin nor oath required. For personal study only.
这是一本具有高中数学知识就能读懂的机器学习图书，书中通过大量程序实例，将复杂的公式重新拆解，详细、清晰地解读了机器学习中常用的数学知识，一步步带领读者进入机器学习的领域。本书共 22 章，主要讲解了数据可视化、math 模块、sympy 模块、numpy 模块、方程式、函数、最小平方法、集合、概率、贝叶斯定理、指数、对数、欧拉数、逻辑函数、三角函数、大型运算符、向量、矩阵与线性回归等数学知识。
封面
扉页
内容简介
版权页
前言
目录
第1章 数据可视化
1-1 认识matplotlib.pyplot模块的主要函数
1-2 绘制简单的折线图plot( )
1-3 绘制散点图scatter( )
1-4 numpy模块
1-5 图表显示中文
第2章 数学模块math和sympy
2-1 数学模块的变量
2-2 一般函数
2-3 log( )函数
2-4 三角函数
2-5 sympy模块
第3章 机器学习基本概念
3-1 人工智能、机器学习、深度学习
3-2 认识机器学习
3-3 机器学习的种类
3-4 机器学习的应用范围
第4章 机器学习的基础数学
4-1 用数字描绘事物
4-2 变量概念
4-3 从变量到函数
4-4 等式运算的规则
4-5 代数运算的基本规则
4-6 用数学抽象化开餐厅的生存条件
4-7 基础数学的结论
第5章 认识方程式、函数、坐标图形
5-1 认识方程式
5-2 方程式文字描述方法
5-3 一元一次方程式
5-4 函数
5-5 坐标图形分析
5-6 将线性函数应用在机器学习
第6章 从联立方程式看机器学习的数学模型
6-1 数学概念建立连接两点的直线
6-2 机器学习使用联立方程式预估数据
6-3 从2条直线的交叉点预估科学数据
6-4 两条直线垂直交叉
第7章 从勾股定理看机器学习
7-1 验证勾股定理
7-2 将勾股定理应用在能力倾向测验
7-3 将勾股定理应用在三维空间
7-4 将勾股定理应用在更高维的空间
7-5 电影分类
第8章 联立不等式与机器学习
8-1 联立不等式的基本概念
8-2 联立不等式的线性规划
8-3 Python计算
第9章 机器学习需要知道的二次函数
9-1 二次函数的基础数学
9-2 从一次到二次函数
9-3 认识二次函数的系数
9-4 使用3个点求解二次函数
9-5 二次函数的配方法
9-6 二次函数与解答区间
第10章 机器学习的最小平方法
10-1 最小平方法基本概念
10-2 简单的企业实例
10-3 机器学习建立含误差值的线性方程式
10-4 numpy实践最小平方法
10-5 线性回归
10-6 实例应用
第11章 机器学习必须懂的集合
11-1 使用Python建立集合
11-2 集合的操作
11-3 子集、超集与补集
11-4 加入与删除集合元素
11-5 幂集与sympy模块
11-6 笛卡儿积
第12章 机器学习必须懂的排列与组合
12-1 排列的基本概念
12-2 有多少条回家路
12-3 排列组合
12-4 阶乘的概念
12-5 重复排列
12-6 组合
第13章 机器学习需要认识的概率
13-1 概率基本概念
13-2 数学概率与统计概率
13-3 事件概率名称
13-4 事件概率规则
13-5 抽奖的概率：加法与乘法综合应用
13-6 余事件与乘法的综合应用
13-7 条件概率
13-8 贝叶斯定理
13-9 蒙地卡罗模拟
第14章 二项式定理
14-1 二项式的定义
14-2 二项式的几何意义
14-3 二项式展开与规律性分析
14-4 找出xn-kyk项的系数
14-5 二项式的通式
14-6 二项式到多项式
14-7 二项分布实验
14-8 将二项式概念应用在业务数据分析
14-9 二项式概率分布Python实践
第15章 指数概念与指数函数
15-1 认识指数函数
15-2 指数运算的规则
15-3 指数函数的图形
第16章 对数
16-1 认识对数函数
16-2 对数表的功能
16-3 对数运算可以解决指数运算的问题
16-4 认识对数的特性
16-5 对数的运算规则与验证
第17章 欧拉数与逻辑函数
17-1 欧拉数
17-2 逻辑函数
17-3 logit函数
17-4 逻辑函数的应用
第18章 三角函数
18-1 直角三角形的边长与夹角
18-2 三角函数的定义
18-3 计算三角形的面积
18-4 角度与弧度
18-5 程序处理三角函数
18-6 从单位圆看三角函数
第19章 从基础统计了解大型运算符
19-1 加总消费金额
19-2 计算平均单笔消费金额
19-3 方差
19-4 标准偏差
19-5 符号运算规则与验证
19-6 活用符号
第20章 机器学习的向量
20-1 向量的基础概念
20-2 向量加法的规则
20-3 向量的长度
20-4 向量方程式
20-5 向量内积
20-6 皮尔逊相关系数
20-7 向量外积
第21章 机器学习的矩阵
21-1 矩阵的表达方式
21-2 矩阵相加与相减
21-3 矩阵乘以实数
21-4 矩阵乘法
21-5 方形矩阵
21-6 单位矩阵
21-7 反矩阵
21-8 用反矩阵解联立方程式
21-9 张量
第22章 向量、矩阵与多元线性回归
22-1 向量应用在线性回归
22-2 向量应用在多元线性回归
22-3 矩阵应用在多元线性回归
22-4 将截距放入矩阵
22-5 简单的线性回归
正文结束
📜 SIMILAR VOLUMES
<p>这是一本具有高中数学知识就能读懂的机器学习图书，书中通过大量程序实例，将复杂的公式重新拆解，详细、清晰地解读了机器学习中常用的微积分知识，一步步带领读者进入机器学习的领域。</p>
<p>本书全面系统地介绍了机器学习的基本概念、预备知识、主要思想、研究进展、基础技术、应用技巧，并围绕当前机器学习领域的热点问题展开讨论。全书共11章，主要内容包括决策树、神经网络、支持向量机、遗传算法、回归、聚类分析等。</p> <p>本书可作为高等院校计算机、软件工程、智能科学与技术等专业研究生和高年级本科生的教材，同时对于从事人工智能、数据挖掘、模式识别等相关技术人员也具有较高的参考价值。</p>
<p>《Python数据科学零基础一本通》是一本专为没有编程基础的读者编写的Python入门书籍，全书包含800多个程序实例及200多道实践习题，一步一步详细讲解Python语法的基础知识，同时也将应用范围拓展至图形界面设计、影像处理、图表绘制、文字识别、词云、股市资料摘取与图表制作、线性代数、基础统计以及与数据科学相关的Numpy、Scipy、Pandas。</p>
<p>本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。</p>
<p>本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。</p>
<p>这是一本使用 Python 从零开始指导读者的算法入门书籍，由基础数据结构与算法开始，逐步解说信息安全算法，最后也讲解了人工智能入门领域的 KNN 和 K-means 算法。</p> <p>本书的特色是理论与实践同步解说，使用完整的数据结构图例搭配 Python 程序进行解说，可以让读者轻松掌握相关知识。</p> <p>以下是本书的主要内容：</p> <p>★ 时间复杂度、空间复杂度；</p> <p>★ 7 大数据结构、7 大排序法；</p> <p>★ 使用二叉树和堆栈图解递归中序、前序和后序打印；</p> <p>★ 二分搜寻与遍历；</p> <p>★ 递归与回溯算法、八皇