
0人評分過此書
圖解機器學習與資料科學的數學基礎:使用Python
內容簡介:搞懂不會背叛你的數學,進一步提升你的程式功力!
本書透過圖表解說人工智慧與資料科學領域的相關數學知識,並告訴你如何將其轉換為程式碼,除了可以吸收關於數學的知識之外,也能立即運用在工作上。
透過機率統計的學習,了解如何改善業務流程
本書將AI與資料科學的相關數學知識分成四大篇,第一篇的「機率統計、機器學習篇」介紹的是了解工作情況,篩選出必要資訊的流程,以及位於這個流程背後的機率統計、機器學習的數學知識。能掌握工作情況就能知道該如何改善相關業務,也能進一步觀察未來的變化。
了解最佳化的步驟,學會職場所需的最佳化流程
第二篇「數理最佳化篇」介紹最佳化業務的流程,以及解決業務問題的方法。要最佳化業務,就必須先了解哪些部分需要改善效率,換言之,最佳化的重點在於找出問題。了解最佳化的步驟與問題的種類,就能學會工作職場所需的最佳化流程。
透過預測病毒的傳播模式,了解相關的數學理論
第三篇「數值模擬篇」則以傳染染病的傳播為主題,學習預測這類傳播模式的微分。只要了解微分,就能了解病毒的傳播模式,也能利用動畫說明傳播模式與製作出臨場感十足的簡報。最後的「深度學習篇」則會先說明近年來發展神速的深度學習技術原理,再說明這些原因都於哪些技術或職場應用。
來自讀者的讚譽
「這是我買過最實用的書」
「這本書可以讓你知道如何將數學應用在現實世界的工作之中」
「這本書拯救了文科出身,在工作上又不得不面對數學的我」
本書透過圖表解說人工智慧與資料科學領域的相關數學知識,並告訴你如何將其轉換為程式碼,除了可以吸收關於數學的知識之外,也能立即運用在工作上。
透過機率統計的學習,了解如何改善業務流程
本書將AI與資料科學的相關數學知識分成四大篇,第一篇的「機率統計、機器學習篇」介紹的是了解工作情況,篩選出必要資訊的流程,以及位於這個流程背後的機率統計、機器學習的數學知識。能掌握工作情況就能知道該如何改善相關業務,也能進一步觀察未來的變化。
了解最佳化的步驟,學會職場所需的最佳化流程
第二篇「數理最佳化篇」介紹最佳化業務的流程,以及解決業務問題的方法。要最佳化業務,就必須先了解哪些部分需要改善效率,換言之,最佳化的重點在於找出問題。了解最佳化的步驟與問題的種類,就能學會工作職場所需的最佳化流程。
透過預測病毒的傳播模式,了解相關的數學理論
第三篇「數值模擬篇」則以傳染染病的傳播為主題,學習預測這類傳播模式的微分。只要了解微分,就能了解病毒的傳播模式,也能利用動畫說明傳播模式與製作出臨場感十足的簡報。最後的「深度學習篇」則會先說明近年來發展神速的深度學習技術原理,再說明這些原因都於哪些技術或職場應用。
來自讀者的讚譽
「這是我買過最實用的書」
「這本書可以讓你知道如何將數學應用在現實世界的工作之中」
「這本書拯救了文科出身,在工作上又不得不面對數學的我」
- 前言
- 為了在工作職場活用數學這項利器
- 閱讀本書的方式
- 執行環境與程式碼
-
序章 設定Python開發環境
-
Prologue1 試著使用Google Colaboratory
-
Prologue2 下載Anaconda,建置開發環境
-
Prologue3 利用Python動手撰寫程式
-
Prologue4 試著上傳檔案
-
-
第一篇 機率統計、機器學習篇
-
第1章 取得資料之後的第一件事
-
1-1 試著載入資料
-
1-2 試著讓時間軸資料可視化
-
1-3 試著輸出平均值、中位數、最小值與最大值
-
1-4 觀察分佈的形狀
-
1-5 試著計算分佈的近似曲線
-
1-6 試著篩選每種方案的資料
-
1-7 分析大顧客的行為模式
-
1-8 試著分析疫情爆發前後的顧客行為模式
-
1-9 試著根據條件分類顧客
-
1-10 列出符合條件的顧客
-
-
第2章 試著利用機器學習進行分析
-
2-1 計算顧客行為模式的相似度
-
2-2 了解相似度與機器學習的關係
-
2-3 透過主成分分析確認大顧客的相似程度
-
2-4 根據時間軸確認大顧客的行為模式
-
2-5 透過集群分析可視化大顧客的行為模式有何差異
-
2-6 利用決策樹推測行為模式的原因
-
2-7 可視化決策樹的分類結果,評估分類的精確度
-
2-8 了解評估預測精確度的流程
-
2-9 比較各種分類演算法
-
2-10 試著利用支援向量機迴歸法預測具有時序的資料
-
-
第3章 推測必需的資料筆數
-
3-1 試著模擬統計值
-
3-2 了解中央極限定理
-
3-3 正確取得一個月份的資料
-
3-4 根據一個月份的資料,推算二年份資料的平均值與標準差
-
3-5 了解標準差與信賴度的相關性
-
3-6 假設與住宿者人數的相關性,推測失竊總金額的趨勢
-
3-7 推測年度失竊總金額與對應的信賴區間
-
3-8 根據平價客戶備品,重新推測兩年份資料的平均值與標準差
-
3-9 針對平價備品的二年內失竊金額趨勢設定信賴區間
-
3-10 根據兩年份的資料「驗算」
-
-
-
第二篇 數理最佳化篇
-
第4章 透過最佳路徑規劃問題,了解解決最佳化問題的方法
-
4-1 了解解決數理最佳化問題的方法
-
4-2 了解數理最佳化的起點「公式化」
-
4-3 執行窮舉式演算法
-
4-4 了解利用演算法解決問題的方法
-
4-5 學習以動態規劃演算法算出精確解答的方法
-
4-6 了解動態規劃法的程式碼
-
4-7 學習求出近似解的方法
-
4-8 利用最近鄰居法求出近似解
-
4-9 利用基因演算法學習計算近似解的方法
-
4-10 了解基因演算法的程式碼
-
-
第5章 透過排班問題了解最佳化問題的全貌
-
5-1 了解最佳化問題的種類
-
5-2 試著利用求解器解決線性最佳化問題
-
5-3 試著解決非線性最佳化問題
-
5-4 試著設計自動安排鐘點員工班表的方法
-
5-5 利用Graph Network可視化排班意願
-
5-6 學習讓配對問題轉換成最大流問題的方法
-
5-7 了解「寬度優先搜尋」這個解決最大流問題的方法
-
5-8 了解「深度優先搜尋」這個解決最大流問題的方法
-
5-9 試著解決最大流問題
-
5-10 試著利用最大流問題的解法解決配對問題
-
-
-
第三篇 數値模擬篇
-
第6章 試著預測傳染病的影響
-
6-1 了解傳染病模型的輪廓
-
6-2 用於了解傳染病模型的幾何級數
-
6-3 調整幾何級數的參數,直觀了解微分方程式
-
6-4 說明實際的生物或社會現象的邏輯方程式
-
6-5 調整邏輯方程式的參數,直覺了解微分方程式
-
6-6 說明生物或公司互相競爭的羅特卡弗爾特拉方程式(競爭方程式)
-
6-7 調整羅特卡弗爾特拉方程式(競爭方程式)的參數,直觀了解微分方程式
-
6-8 說明生物或公司互相競爭的羅特卡弗爾特拉方程式(掠食方程式)
-
6-9 調整羅特卡弗爾特拉方程式(掠食方程式)的參數,直觀了解微分方程式
-
6-10 一邊複習微分方程式,一邊思考電影或商品的流行程度
-
-
第7章 試著透過動畫模擬人類的行為
-
7-1 試著模擬人類動向
-
7-2 試著模擬緊急避難之際的行為
-
7-3 可視化每個人的移動過程
-
7-4 該如何模擬謠言的傳播情況?
-
7-5 確認謠言或口碑於不同路線的傳播情況
-
7-6 試著將謠言的傳播滲透度畫成圖表
-
7-7 試著可視化人際關係的網路
-
7-8 可視化人際關係網路的成長過程
-
7-9 試著分析網路
-
7-10 了解以差分法解微分方程式之際的誤差,與消弭誤差的方法
-
-
-
第四篇 深度學習篇
-
第8章 了解深度學習辨識影像的方法
-
8-1 深度學習到底能做什麼?
-
8-2 深度學習的運作方式
-
8-3 深度學習是如何「學習」的?
-
8-4 利用深度學習函式庫預測線性圖表
-
8-5 透過深度學習函式庫預測曲線圖
-
8-6 了解圖片構造這個學習資料
-
8-7 利用深度學習函式庫從零開始學習圖片檔
-
8-8 評估學習結果
-
8-9 可視化神經網路看見的「特徵」
-
8-10 可視化完成學習後的神經網路構造
-
-
第9章 了解深度學習處理時間序列資料的機制
-
9-1 了解RNN的基礎
-
9-2 利用RNN預測正弦波
-
9-3 試著評估預測結果
-
9-4 試著利用CNN預測正弦波
-
9-5 提升預測正弦波的精確度
-
9-6 事先整理分類聲音所需的必要資料
-
9-7 試著利用LSTN分類聲音
-
9-8 試著評估LSTM的分類結果
-
9-9 試著利用CNN分類音樂
-
9-10 試著評估CNN的分類結果
-
-
第10章 了解以深度學習進行的圖片處理與語言處理
-
10-1 了解深度學習的應用範圍
-
10-2 了解物體偵測演算法「YOLO」
-
10-3 試著利用YOLO偵測物體
-
10-4 評估物體偵測處理的結果
-
10-5 了解圖像分割處理的Segnet
-
10-6 試著利用Segnet執行圖像分割處理
-
10-7 評估圖像分割結果
-
10-8 了解以深度學習執行自然語言處理的Bert
-
10-9 試著利用Bert分類文本
-
10-10 試著評估以Bert分類文本的結果
-
-
-
附錄 程式設計與數學之間的橋梁
-
Appendix1 利用公式了解常態分佈
-
Appendix2 微分方程式差分法造成的誤差與泰勒展開式
-
Appendix3 非線性最佳化的機械學習/深度學習的迴歸/分類
-
- 結語
- 参考文献
- 出版地 : 臺灣
- 語言 : 繁體中文
評分與評論
請登入後再留言與評分