文轩网图书旗舰店
  • 扫码下单

  • 机器学习线性代数基础:PYTHON语言描述 张雨萌 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 张雨萌著
    • 出版社: 北京大学出版社
    • 出版时间:2018-03-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    店铺装修中

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    文轩网图书旗舰店

  •      https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 张雨萌著
    • 出版社:北京大学出版社
    • 出版时间:2018-03-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2018-04-01
    • 字数:254000
    • 页数:172
    • 开本:16开
    • 装帧:平装
    • ISBN:9787301306017
    • 国别/地区:中国
    • 版权提供:北京大学出版社

    机器学习线性代数基础:PYTHON语言描述

    作  者:张雨萌 著
    定  价:49
    出 版 社:北京大学出版社
    出版日期:2019年09月01日
    页  数:172
    装  帧:简装
    ISBN:9787301306017
    主编推荐

        传统教材的不足:传统教材的风格偏重理论定义和运算技巧,想以此高效地打下机器学习的数学基础,针对性和可读性并不佳。    《机器学习线性代数基础:Python语言描述》的优势:本书以机器学习涉及的线性代数核心知识为重点,进行新的尝试和突破:从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度,环环相扣地展开线性代数与机器学习算法紧密结合的核心内容。

    内容简介

        数学是机器学习绕不开的基础知识,传统教材的风格偏重理论定义和运算技巧,想以此高效地打下机器学习的数学基础,针对性和可读性并不佳。本书以机器学习涉及的线性代数核心知识为重点,进行新的尝试和突破:从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度,环环相扣地展开线性代数与机器学习算法紧密结合的核心内容,并分析推荐系统和图像压缩两个实践案例,在介绍完核心概念后,还将线性代数的应用领域向函数空间和复数域中进行拓展与延伸;同时极力避免数学的晦涩枯燥,充分挖掘线性代数的几何内涵,并以Python语言为工具进行数学思想和解决方案的有效实践。    《机器学习线性代数基础:Python语言描述》适合实践于数据分析、信号处理等工程领域的读者,也适合在人工智能、机器学习领域进行理论学习和实践,希望筑牢数null

    作者简介

        张雨萌,毕业于清华大学计算机系,长期从事人工智能领域相关研究工作。

    精彩内容

        第1章 坐标与变换:高楼平地起作为全书内容的开篇部分,本章将从空间的角度出发,详细介绍向量和矩阵的基本概念,并在空间思维的框架下描述矩阵和向量运算的基本法则,揭示其几何意义,以求迅速帮助读者搭建起关于空间的宏观知识框架,奠定学习全书内容的思想方法。在本章知识内容的演绎、推进过程中,会逐步引出基底的选取、空间的张成、基底的转化与坐标的变换这些和空间紧密相关的概念,并使用Python语言,对相关概念和运算过程进行描述。本章主要涉及的知识点?介绍向量的概念和基本运算?介绍基底的用途和构成条件?介绍坐标与基底之间的关系?介绍矩阵的概念和基本运算?介绍矩阵对向量空间位置的改变?介绍在矩阵的作用下,向量的基变换原理及过程1.1描述空间的工具:向量空间是贯穿整个线性代数的主干脉络和核心概念。那么在全书开篇的第一节,我们将重点学习如何利用向量这个重要工具对空null

    目录
      第1章 坐标与变换:高楼平地起1.1 描述空间的工具:向量 21.2 基底构建一切,基底决定坐标 131.3 矩阵,让向量动起来 181.4 矩阵乘向量的新视角:变换基底 27  第2章 空间与映射:矩阵的灵魂2.1 矩阵:描述空间中的映射 342.2 追因溯源:逆矩阵和逆映射 422.3 向量空间和子空间 502.4 老树开新花,道破方程组的解 55  第3章 近似与拟合:真相最近处3.1 投影,寻找距离最近的向量 623.2 深入剖析最小二乘法的本质 693.3 施密特正交化:寻找很好投影基 74  第4章 相似与特征:很好观察角4.1 相似变换:不同的视角,同一个变换 804.2 对角化:寻找最简明的相似矩阵 854.3 关键要素:特征向量与特征值 89  第5章 降维与压缩:抓住主成分5.1 最重要的矩阵:对称矩阵 965.2 数据分布的度量 1005.3 利用特征值分解(EVD)进行主成分分析(PCA) 1035.4 更通用的利器:奇异值分解(SVD) 1115.5 利用奇异值分解进行数据降维 116  第6章 实践与应用:线代用起来6.1 SVD在推荐系统中的应用 1246.2 利用SVD进行彩色图片压缩 133  第7章 函数与复数域:概念的延伸7.1 傅里叶级数:从向量的角度看函数 1457.2 复数域中的向量和矩阵 151

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购