人工智能数学基础
本书以零基础讲解为宗旨，面向学习数据科学与人工智能的读者，通俗地讲解每一个知识点，旨在帮助读者快速打下数学基础。
全书分为4篇，共17章。其中第1篇为数学知识基础篇，主要讲述了高等数学基础、微积分、泰勒公式与拉格朗日乘子法；第2篇为数学知识核心篇，主要讲述了线性代数基础、特征值与矩阵分解、概率论基础、随机变量与概率估计；第3篇为数学知识提高篇，主要讲述了数据科学的几种分布、核函数变换、熵与激活函数；第4篇为数学知识应用篇，主要讲述了回归分析、假设检验、相关分析、方差分析、聚类分析、贝叶斯分析等内容。
本书适合准备从事数据科学与人工智能相关行业的读者。
人工智能数学基础
第1章人工智能与数学基础..........１1.1什么是人工智能............................21.2人工智能的发展............................21.3人工智能的应用............................41.4学习人工智能需要哪些知识.............51.5为什么要学习数学.........................71.6本书包括的数学知识......................8第1篇基础篇.................................................................9第2章高等数学基础.................１02.1函数..........................................112.2极限..........................................132.3无穷小与无穷大...........................172.4连续性与导数..............................192.5偏导数......................................242.6方向导数...................................272.7梯度.........................................292.8综合实例—梯度下降法求函数的最小值.......................................312.9高手点拨...................................352.10习题.......................................38第3章微积分..............................393.1微积分的基本思想.......................403.2微积分的解释..............................413.3定积分......................................423.4定积分的性质.............................443.5牛顿—莱布尼茨公式....................453.6综合实例—Python中常用的定积分求解方法...................................493.7高手点拨....................................513.8习题........................................52第4章泰勒公式与拉格朗日乘子法..............................534.1泰勒公式出发点..........................544.2一点一世界................................544.3阶数和阶乘的作用.......................594.4麦克劳林展开式的应用..................614.5拉格朗日乘子法..........................634.6求解拉格朗日乘子法....................644.7综合实例—编程模拟实现sinx的n阶泰勒多项式并验证结果..................674.8高手点拨...................................684.9习题.........................................68第2篇核心篇...............................................................69第5章将研究对象形式化—线性代数基础..........................705.1向量..........................................715.2矩阵.........................................735.3矩阵和向量的创建.......................775.4特殊的矩阵................................855.5矩阵基本操作..............................915.6转置矩阵和逆矩阵.......................965.7行列式.....................................1015.8矩阵的秩..................................1045.9内积与正交...............................1085.10综合实例—线性代数在实际问题中的应用.......................................1145.11高手点拨................................1215.12习题......................................126第6章从数据中提取重要信息—特征值与矩阵分解..........1276.1特征值与特征向量.....................1286.2特征空间..................................1336.3特征值分解...............................1336.4SVD解决的问题.......................1356.5奇异值分解（SVD）..................1366.6综合实例1—利用SVD对图像进行压缩.......................................1406.7综合实例2—利用SVD推荐商品.......................................1436.8高手点拨..................................1506.9习题.......................................154第7章描述统计规律1—概率论基础................................1557.1随机事件及其概率......................1567.2条件概率..................................1617.3独立性.....................................1627.4随机变量..................................1657.5二维随机变量............................1737.6边缘分布..................................1777.7综合实例—概率的应用.............1807.8高手点拨..................................1817.9习题........................................184第8章描述统计规律2—随机变量与概率估计........................1858.1随机变量的数字特征..................1868.2大数定律和中心极限定理.............1938.3数理统计基本概念......................1998.4最大似然估计...........................2038.5最大后验估计...........................2068.6综合实例1—贝叶斯用户满意度预测......................................2098.7综合实例2—最大似然法求解模型参数.......................................2178.8高手点拨................................2228.9习题.......................................224第3篇提高篇.............................................................225第9章随机变量的几种分布......2269.1正态分布................................2279.2二项分布.................................2409.3泊松分布.................................2509.4均匀分布..................................2619.5卡方分布.................................2669.6Beta分布..............................2739.7综合实例—估算棒球运动员的击中率......................................2839.8高手点拨................................2859.9习题......................................286第10章数据的空间变换—核函数变换.............................28710.1相关知识简介.........................28810.2核函数的引入.........................29010.3核函数实例............................29010.4常用核函数.............................29110.5核函数的选择.........................29410.6SVM原理............................29510.7非线性SVM与核函数的引入....30510.8综合实例—利用SVM构建分类问题......................................31010.9高手点拨................................31510.10习题...................................322第11章熵与激活函数..............32311.1熵和信息熵............................32411.2激活函数...............................32811.3综合案例—分类算法中信息熵的应用......................................33911.4高手点拨................................34111.5习题.....................................342第4篇应用篇.............................................................333第12章假设检验.....................34412.1假设检验的基本概念.................34512.2Z检验...................................35112.3t检验...................................35312.4卡方检验...............................35812.5假设检验中的两类错误..............36112.6综合实例1—体检数据中的假设检验问题.....................................36312.7综合实例2—种族对求职是否有影响.....................................36912.8高手点拨...............................37212.9习题.....................................37413章相关分析......................37513.1相关分析概述..........................37613.2皮尔森相关系数.......................37813.3相关系数的计算与假设检验........37913.4斯皮尔曼等级相关....................38513.5肯德尔系数.............................39213.6质量相关分析..........................39613.7品质相关分析..........................40013.8偏相关与复相关.......................40313.9综合实例—相关系数计算........40513.10高手点拨..............................40713.11习题.....................................408第14章回归分析......................40914.1回归分析概述...........................41014.2回归方程推导及应用..................41214.3回归直线拟合优度.....................41614.4线性回归的模型检验..................41714.5利用回归直线进行估计和预测......41914.6多元与曲线回归问题..................42114.7Python工具包.......................42614.8综合实例—个人医疗保费预测任务......................................43214.9高手点拨................................44414.10习题.....................................446第15章方差分析......................44915.1方差分析概述..........................44815.2方差的比较.............................45015.3方差分析.................................45115.4综合实例—连锁餐饮用户评级分析......................................46015.5高手点拨................................46415.6习题......................................466第16章聚类分析......................46916.1聚类分析概述..........................46816.2层次聚类................................47016.3K-Means聚类......................48416.4DBSCAN聚类.......................49416.5综合实例—聚类分析..............49916.6高手点拨.................................51216.7习题.......................................512第17章贝叶斯分析....................51317.1贝叶斯分析概述........................51417.2MCMC概述..........................52017.3MCMC采样.........................52517.4Gibbs采样...........................52917.5综合实例—利用PyMC3实现随机模拟样本分布.........................53217.6高手点拨...............................53917.7习题.....................................540
《人工智能数学基础》[85M]百度网盘pdf下载
基本信息商品名称：人工智能数学基础作者：编者:唐宇迪//李琳//侯惠芳//王社伟|责编:张云静//杨爽定价：119出版社：北京大学书号：9787301314319其他参考信息（以实物为准）出版时间：2020-08-01印刷时间：2020-08-01版次：1印次：1开本：16开包装：平装页数：540字数：809千字内容提要数据科学与人工智能数学基础课旨在帮助读者快速打下数学基础，通俗讲解每一个知识点。 全书分为3篇，共17章。其中第1篇为基础篇，主要讲述了高等数学基础、微积分、泰勒公式与拉格朗日；第2篇为核心知识篇，主要讲述了线性代数基础、特征值与矩阵分解、随机变量与概率估计、概率论基础、数据科学的几种分布、核函数变换、熵与激活函数；第3篇为应用篇，主要讲述了回归分析、假设检验、相关分析、方差分析、聚类分析、贝叶斯分析等内容。书中案例均是与AI相关的案例。 本书适合准备从事或学习数据科学与人工智能相关行业的读者。
作者简介唐宇迪，计算机博士，云课堂人工智能认证行家，著有《跟迪哥学机器学习》，课程风格通俗易懂，用接地气的方式带领同学们走进Ai殿堂。侯惠芳，博士，教授，主要研究方向信息安全、计算智能。2010年毕业于解放军信息工程大学获博士学位。中国计算机学会会员。主要研究方向信息安全、计算智能。李琳，副教授，任职于河南工业大学，主要从事计算机基础类课程的教学及研究，主要研究方向是软件工程、图像处理开发。王社伟，博士，副教授，近五年在核心学术期刊及学术会议上发表作者论文6篇，其中EI收录4篇，主持、参与完成各类科研项目3项，参编教材2部。
目录目录章人工智能与数学基础..........１第1篇基础篇.................................................................9第2章高等数学基础.................１0第3章微积分..............................39第4章泰勒公式与拉格朗日乘子法..............................53第2篇核心篇...............................................................69第5章将研究对象形式化—线性代数基础..........................70第6章从数据中提取重要信息—特征值与矩阵分解..........127第7章描述统计规律1—概率论基础................................155第8章描述统计规律2—随机变量与概率估计........................185提高篇.............................................................225第9章随机变量的几种分布......226第10章数据的空间变换—核函数变换.............................287第11章熵与激活函数..............323第12章假设检验.....................344第13章相关分析......................375第14章回归分析......................409第15章方差分析......................449第16章聚类分析......................469第17章贝叶斯分析....................513