当前位置: 首页 > 人工智能

机器学习:公式推导与代码实现 PDF电子书 [112MB]

简介机器学习:公式推导与代码实现pdf百度网盘下载地址? ◎ 编辑推荐 ☆ 完备的公式推导,解决机器学习中的数学难题 书中详细的数学推导、用NumPy从零开始的编程实现,不仅让读者知其然,还知其所以然,对...
《机器学习:公式推导与代码实现》pdf电子书下载
《机器学习:公式推导与代码实现》pdf百度云

《机器学习:公式推导与代码实现》pdf百度云

《机器学习:公式推导与代码实现》pdf百度云

《机器学习:公式推导与代码实现》pdf百度云


 

机器学习:公式推导与代码实现pdf百度网盘下载地址?

◎ 编辑推荐

☆ 完备的公式推导,解决机器学习中的数学难题

书中详细的数学推导、用NumPy从零开始的编程实现,不仅让读者知其然,还知其所以然,对机器学习模型有更深刻的认识。

☆ 基于NumPy与sklearn,介绍26个主流机器学习算法的实现

本书几乎涵盖了全部主流的 机器学习算法,而且使用Python代码进行算法的实现。

☆ “机器学习实验室”公众号主理人倾力打造,获得40000读者好评

◎ 内容简介

作为一门应用型学科,机器学习植根于数学理论,落地于代码实现。

这就意味着,掌握公式推导和代码编写,方能更加深入地理解机器学习算法的内在逻辑和运行机制。

本书在对全部机器学习算法进行分类梳理的基础之上,分别对监督学习单模型、监督学习集成模型、无监督学习模型、概率模型四个大类共26个经典算法进行了细致的公式推导和代码实现,旨在帮助机器学习学习者和研究者完整地掌握算法细节、实现方法以及内在逻辑。

◎ 名人推荐

对于机器学习相关专业的研究者和从业者而言,运用机器学习处理数据要有两大基本功,一个是理论功底,另一个是算法实现能力。这本书正好契合这两大主题:以公式推导为代表的机器学习理论体系和以NumPy算法实现为代表的编程能力。全书体现了两个非常有特色的对应关系:公式推导与NumPy代码实现之间的对应关系,NumPy代码实现与sklearn机器学习库之间的对应关系。此书编排新颖,非常值得一读!

——汤银才,华东师范大学统计学院教授

很多人初学机器学习时,只是调个包跑个结果,这种方式很容易忽略各类机器学习算法的底层原理,不是最佳的学习方式。这本书在手推公式和基本不调用机器学习算法库的前提下,“手撕”各大机器学习算法,给大家提供了学习机器学习最硬核的方式,有助于加深对各大机器学习算法底层原理的理解。整本书全面又细致,非常适合初学者打基础,强烈推荐给大家!

——张金雷,北京交通大学交通运输学院讲师,公众号“当交通遇上机器学习”主理人

很早就关注鲁伟老师公众号的“数学推导+纯Python实现机器学习算法”系列文章,这给了我很大启发。市面上的机器学习图书很多,但很少有结合数学原理和代码实现的。这本书几乎涵盖了全部主流的机器学习算法,而且使用Python代码进行算法的实现。这本书对初学者相当友好,理论、代码齐备,值得推荐。

——黄海广,温州大学副教授、人工智能系主任

在机器学习流行的这些年,很多人停留在使用sklearn调包的阶段,对模型背后的数学原理和算法实现一知半解,因而很难提升到更高的水平。书中详细的数学推导、用NumPy从零开始的编程实现,一定会让读者知其然,还知其所以然,对机器学习模型会有更深刻的认识。

——王圣元,新加坡某金融咨询公司总监,公众号“王的机器”主理人

Datawhale出版过一本“南瓜书”,作为“西瓜书”的伴侣书,聚焦于机器学习公式的详细推导,旨在解决初学者入门机器学习中的数学难题。而这本书在公式推导的基础上,进一步给出了包含算法内在逻辑的代码实现,是初学者动手实践算法不可或缺的材料,推荐给大家!

——范晶晶,开源组织Datawhale创始人

这本书既有复杂的公式推导,可以帮助读者掌握算法的数学原理;也有NumPy库版本的算法代码,可以帮助读者更好地理解其中的数学原理,提高算法实现能力;还有sklearn库版本的算法调用函数,可以帮助读者快速、简单地实现算法。这本书由浅入深,适合新手快速入门,也适合老手夯实基础,在此极力推荐给诸位!

——张杰,公众号“EasyShu”联合主创,《Python数据可视化之美》作者


作者简介:
鲁伟 贝叶斯统计方向硕士毕业,深度学习算法工程师,主要从事医疗数据分析、医学图像处理和深度学习应用相关研究与工作。 著有《深度学习笔记》一书,也是公众号“机器学习实验室”的主理人。

目录:
第1章 机器学习预备知识
第2章 线性回归
第3章 逻辑回归
第4章 回归模型拓展
第5章 线性判别分析
第6章 k近邻算法
第7章 决策树
第8章 神经网络
第9章 支持向量机
第10章 AdaBoost
第11章 GBDT
第12章 XGBoost
第13章 LightGBM
第14章 CatBoost
第15章 随机森林
第16章 集成学习:对比与调参
第17章 聚类分析与k均值聚类算法
第18章 主成分分析
第19章 奇异值分解
第20章 最大信息熵模型
第21章 贝叶斯概率模型
第22章 EM算法
第23章 隐马尔可夫模型
第24章 条件随机场
第25章 马尔可夫链蒙特卡洛方法
第26章 机器学习模型总结

点击下载