123,123,123

內(nèi)容簡(jiǎn)介

　　本書通過正在學(xué)習(xí)機(jī)器學(xué)習(xí)的程序員綾乃和她朋友美緒的對(duì)話，結(jié)合回歸和分類的具體問題，逐步講解了機(jī)器學(xué)習(xí)中實(shí)用的數(shù)學(xué)基礎(chǔ)知識(shí)。其中，重點(diǎn)講解了容易成為學(xué)習(xí)絆腳石的數(shù)學(xué)公式和符號(hào)。同時(shí)，還通過實(shí)際的Python 編程講解了數(shù)學(xué)公式的應(yīng)用，進(jìn)而加深讀者對(duì)相關(guān)數(shù)學(xué)知識(shí)的理解。

作者簡(jiǎn)介

　　立石賢吾（作者）SmartNews公司的機(jī)器學(xué)習(xí)工程師。從日本佐賀大學(xué)畢業(yè)后曾就職于數(shù)家開發(fā)公司，并于2014年入職LINE Fukuoka，在該公司于日本福岡市成立的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)團(tuán)隊(duì)中，負(fù)責(zé)利用機(jī)器學(xué)習(xí)開發(fā)推薦系統(tǒng)、文本分類等產(chǎn)品，并擔(dān)任團(tuán)隊(duì)負(fù)責(zé)人。2019年入職SmartNews公司，擔(dān)任現(xiàn)職。鄭明智（譯者）智慧醫(yī)療工程師。主要研究方向?yàn)獒t(yī)療與前沿ICT技術(shù)的結(jié)合及其應(yīng)用，密切關(guān)注人工智能、5G、量子計(jì)算等領(lǐng)域。譯有《松本行弘：編程語言的設(shè)計(jì)與實(shí)現(xiàn)》《深度學(xué)習(xí)基礎(chǔ)與實(shí)踐》《詳解深度學(xué)習(xí)：基于TensorFlow和Keras學(xué)習(xí)RNN》。

圖書目錄

第 1章開始二人之旅 1
1．1　對(duì)機(jī)器學(xué)習(xí)的興趣　2
1．2　機(jī)器學(xué)習(xí)的重要性　4
1．3　機(jī)器學(xué)習(xí)的算法　7
1．4　數(shù)學(xué)與編程　12
第　2章學(xué)習(xí)回歸——基于廣告費(fèi)預(yù)測(cè)點(diǎn)擊量　15
2．1　設(shè)置問題　16
2．2　定義模型　19
2．3　最小二乘法　22
2．4　多項(xiàng)式回歸　41
2．5　多重回歸　45
2．6　隨機(jī)梯度下降法　52
第3章　學(xué)習(xí)分類——基于圖像大小進(jìn)行分類　59
3．1　設(shè)置問題　60
3．2　內(nèi)積　64
3．3　感知機(jī)　69
3．3．1　訓(xùn)練數(shù)據(jù)的準(zhǔn)備　71
3．3．2　權(quán)重向量的更新表達(dá)式　74
3．4　線性可分　80
3．5　邏輯回歸　82
3．5．1　sigmoid函數(shù)　83
3．5．2　決策邊界　86
3．6　似然函數(shù)　91
3．7　對(duì)數(shù)似然函數(shù)　96
3．8　線性不可分　104
第4章　評(píng)估——評(píng)估已建立的模型　109
4．1　模型評(píng)估　110
4．2　交叉驗(yàn)證　112
4．2．1　回歸問題的驗(yàn)證　112
4．2．2　分類問題的驗(yàn)證　117
4．2．3　精確率和召回率　121
4．2．4　F值　125
4．3　正則化　130
4．3．1　過擬合　130
4．3．2　正則化的方法　131
4．3．3　正則化的效果　132
4．3．4　分類的正則化　139
4．3．5　包含正則化項(xiàng)的表達(dá)式的微分　140
4．4　學(xué)習(xí)曲線　144
4．4．1　欠擬合　144
4．4．2　區(qū)分過擬合與欠擬合　146
第5章　實(shí)現(xiàn)——使用Python編程　153
5．1　使用Python實(shí)現(xiàn)　154
5．2　回歸　155
5．2．1　確認(rèn)訓(xùn)練數(shù)據(jù)　155
5．2．2　作為一次函數(shù)實(shí)現(xiàn)　158
5．2．3　驗(yàn)證　164
5．2．4　多項(xiàng)式回歸的實(shí)現(xiàn)　168
5．2．5　隨機(jī)梯度下降法的實(shí)現(xiàn)　176
5．3　分類——感知機(jī)　179
5．3．1　確認(rèn)訓(xùn)練數(shù)據(jù)　179
5．3．2　感知機(jī)的實(shí)現(xiàn)　182
5．3．3　驗(yàn)證　185
5．4　分類——邏輯回歸　188
5．4．1　確認(rèn)訓(xùn)練數(shù)據(jù)　188
5．4．2　邏輯回歸的實(shí)現(xiàn)　189
5．4．3　驗(yàn)證　194
5．4．4　線性不可分分類的實(shí)現(xiàn)　197
5．4．5　隨機(jī)梯度下降法的實(shí)現(xiàn)　204
5．5　正則化　206
5．5．1　確認(rèn)訓(xùn)練數(shù)據(jù)　206
5．5．2　不應(yīng)用正則化的實(shí)現(xiàn)　210
5．5．3　應(yīng)用了正則化的實(shí)現(xiàn)　212
5．6　后話　215
附錄
A．1　求和符號(hào)、求積符號(hào)　218
A．2　微分　220
A．3　偏微分　224
A．4　復(fù)合函數(shù)　227
A．5　向量和矩陣　229
A．6　幾何向量　233
A．7　指數(shù)與對(duì)數(shù)　237
A．8　Python環(huán)境搭建　241
A．9　Python基礎(chǔ)知識(shí)　244
A．10　NumPy基礎(chǔ)知識(shí)　254