機器學習的數學基礎:AI、深度學習打底必讀
其他會員也一起購買
書名:機器學習的數學基礎 : AI、深度學習打底必讀
作者:醫學統計學專家 西內啟著, 胡豐榮博士, 徐先正合譯
出版社:旗標
出版日期:1/20/2020
條碼:9789863126140
內容簡介
〇國立台中教育大學數學教育學系 胡豐榮博士 與 清華大學數學系畢 徐先正 合譯
『進入 AI 時代,數學突然紅起來!』
現在資訊科學界最夯的主題就是 AI、機器學習、深度學習。Google、Apple、Amazon、台積電……等世界大廠都在爭搶 AI 大餅,比的是誰家的 AI 比較聰明、比較準確,因此發展出許多先進的技術,甚至把 AI 直接植入晶片中。每家好像都很厲害,然而高下區別的關鍵在哪裏?
大家使用的開發工具不外乎 TensorFlow、Keras、Numpy,你會用,別人也會,那你憑甚麼贏人家?當然要靠獨創的技術、神秘的參數配方,而這些都是開發工具給不了的。如果只靠土法煉鋼,不斷「Try Try 看」各種參數組合,這實在太不科學,根本無法提升能力。所以必須徹頭徹尾弄懂 AI 技術裏面在做甚麼?才知道應該用什麼參數去試、用甚麼演算法去算……,想做出比別人更好的 AI,就必須自我蛻變,這一切的打底功夫就是「數學」。
『AI、機器學習、深度學習需要的數學,你懂了嗎?』
數學領域的學科龐雜,國中、高中學完之後也不知道幹嘛,或是不求甚解,久而久之就還給老師了。然而在 21 世紀進入機器學習、深度學習領域,完全避不開下面這些東西,你懂了嗎?:
「邏輯斯迴歸/線性迴歸/合成函數/鏈鎖法則/條件機率/貝氏定理/ 最小平方法/最大概似估計法/常態分佈/機率密度函數/向量內積/相關係數/ 誤差函數/代換積分/多元迴歸分析/神經網路/多變數偏微分/矩陣偏微分/ 梯度下降法/隨機梯度下降法/非線性邏輯斯函數/Sigmoid/反向傳播/more…」
媽呀!誰來教教我?
小編看過市面上數本主打機器學習或深度學習的數學書,主要分兩類:其一是內容太過簡單講得不夠深入,其二是假設你的數學能力已經很強,直接跳過許多細節,這兩類讀了還是不知所云。沒關係,本書就是為你設計的,帶你從基礎開始複習,搭配實務案例,讓你知道數學可以怎麼用。而且最重要的是「只教機器學習、深度學習用得到的數學,講清楚、才能吸收」,其它用不到的不講,節省大家的寶貴時間。
本書設計的巧妙之處在於前面講過的內容,到了進階的部份仍然會不斷前後呼應,不斷提醒。書中的運算步驟,像是梯度下降法、隨機梯度下降法、反向傳播... 都一一手算推導給你看。認真讀完本書,機器學習與深度學習的數學就能深印腦海。
本書特色
〇只講機器學習、深度學習用得到的數學,追根究底且看得懂
〇梯度下降法、隨機梯度下降法、反向傳播... 一步一步手工算給你看
〇利用實務範例,更能了解數學可以用在哪裏
名人推薦
〇清華大學榮譽教授 李家同博士 推薦:『數學是 AI 的根本, 你可以跟著本書扎實理解機器學習最根本的數學基礎。』
作者介紹
作者簡介
西內啟
東京大學醫學院畢業,專長為生物統計學。曾經擔任東京大學醫學系醫療溝通學科助理教授,大學醫療資訊網路研究中心副所長,Dana-Farber/Harvard 癌症研究中心的客座研究員。他於 2014 年創立 Data Vehicle 公司,開發商業應用的資料分析工具與資料研究的服務。
譯者簡介
胡豐榮博士
日本大阪大學數學碩士、博士
彰化師範大學科學教育研究所碩士
現任國立台中教育大學數學教育系專任教授兼總務長
傑出事蹟:榮獲科技部100-103年度特殊優秀人才獎勵、榮獲2014年智慧律建築設計創意競賽決賽入選、榮獲國立台中教育大學104與108年度研究優良獎勵
研究專長:機率論、線性控制、財務數學、數理統計、測驗統計、研究倫理
徐先正
中國文化大學日本研究所碩士
清華大學數學系應數組
國票證券投顧專業經理
曾任元富期貨 期貨分析師/新壽證券 期貨研究員/精實財經媒體 日文財經編譯/台灣工銀證券 專業副理
目錄
序篇 AI、機器學習需要什麼樣的數學能力
單元01 21世紀每個人都需要具備數學能力
單元02 數學金字塔
第 1 篇 機器學習的數學基礎
單元03 將事物用數字來表現
單元04 將數字用字母符號代替
單元05 減法是負數的加法, 除法是倒數的乘法
單元06 機率先修班:集合
單元07 機率先修班:命題的邏輯推理
單元08 機率、條件機率與貝氏定理
第 2 篇 機器學習需要的一次函數與二次函數
單元09 座標圖與函數
單元10 聯立方程式求解與找出直線的斜率與截距
單元11 用聯立不等式做線性規劃
單元12 從線性函數進入二次函數
單元13 利用二次函數標準式求出最大值與最小值
單元14 找出二次函數最適當的解
單元15 用最小平方法找出誤差最小的直線
第 3 篇 機械學習需要的二項式定理、對數、三角函數
單元16 二項式定理與二項式係數
單元17 利用二項分布計算重複事件發生的機率
單元18 指數運算規則與指數函數圖形
單元19 用對數的觀念處理大數字
單元20 對數的性質與運算規則
單元21 尤拉數 e 與邏輯斯迴歸
單元22 畢氏定理計算兩點距離
單元23 三角函數的基本觀念
單元24 三角函數的弧度制與單位圓
第 4 篇 機械學習需要的Σ、向量、矩陣
單元25 整合大量數據的 Σ 運算規則
單元26 向量基本運算規則
單元27 向量的內積
單元28 向量內積在計算相關係數的應用
單元29 向量、矩陣與多元線性迴歸
單元30 矩陣的運算規則
單元31 轉置矩陣求解迴歸係數
第 5 篇 機器學習需要的微分與積分
單元32 函數微分找出極大值或極小值的位置
單元33 n 次函數的微分
單元34 積分基礎-從幾何學角度瞭解連續型機率密度函數
單元35 積分基礎-用積分計算機率密度函數
單元36 合成函數微分、鏈鎖法則與代換積分
單元37 指數函數、對數函數的微分積分
單元38 概似函數與最大概似估計法
單元39 常態分佈的機率密度函數
單元40 多變數積分 – 雙重積分算機率密度函數係數
第 6 篇 深度學習需要的數學能力
單元41 多變數的偏微分-對誤差平方和的參數做偏微分
單元42 矩陣型式的偏微分運算
單元43 多元迴歸分析的最大概似估計法與梯度下降
單元44 由線性迴歸瞭解深度學習的多層關係
單元45 多變數邏輯斯迴歸與梯度下降法
單元46 神經網路的基礎-用非線性邏輯斯函數組合出近似函數
單元47 神經網路的數學表示法
單元48 反向傳播-利用隨機梯度下降法與偏微分鏈鎖法則
立即查看
核心開發者親授!PyTorch深度學習攻略 (1版)
其他會員也一起購買
核心開發者親授!PyTorch深度學習攻略
系列名:Learning by doing 從做中學系列
ISBN13:9789863126737
出版社:旗標出版社
作者:Eli Stevens;Luca Antiga;Thomas Viehmann
裝訂/頁數:平裝/656頁
規格:23cm*17cm*3.2cm (高/寬/厚)
版次:1
出版日:2021/07/23
中國圖書分類:特殊電腦方法
內容簡介
【PyTorch官方唯一推薦教材!】
深度學習是近年來非常夯的一個領域,發展的速度也十分的驚人。曾經,深度學習的函式庫五花八門,各自都具備了一定的重要性。如今,使用者開始往兩大函式庫,PyTorch及Tensorflow靠攏,進而鞏固了它們的地位。在2018年以前,Tensorflow在國際學術頂尖會議中的論文引用率都遠超PyTorch。自2019年起,PyTorch就奮起直追,越來越受到學者們的喜愛。在ICLR 2020和CVPR 2020會議中,使用PyTorch的論文數已超越Tensorflow。由此可見,掌握PyTorch,是勢在必行的!
PyTorch最為人稱道就是語法和Python相近,一樣簡潔好學,與Numpy、Pandas函式庫的相容性也很好,並支援動態運算圖(dynamic computational graph),有助於模型的優化,對記憶體的使用也非常有效率。本書作者為PyTorch核心開發者,深知PyTorch的強大之處,並擁有豐富的深度學習經驗,將帶你從無到有,利用PyTorch建構出深度學習模型,並用其來解決現實問題的能力。
與其他深度學習框架書相比,本書的最大特色為:利用數個章節來實作肺癌偵測專案。在實作該專案的過程中,你可以實際體會到如何充分把所學應用出來,並針對過程中所遇到的問題來找出解方。更重要的是,作者的寶貴經驗會讓你少走許多彎路,快速培養實戰能力!
閱讀完本書後,你將了解:
★深度學習的基本資料結構:張量(tensor)
★如何實作模組及損失函數
★如何從PyTorch Hub中載入預先訓練的模型
★在有限的資料下,訓練模型的方法
★分析測試結果,並找出現有模型中的問題
★透過擴增資料等方法,提高模型的表現
如果你對深度學習非常有熱忱,並且已經具備一定的Python能力,願意跟著書中內容動手嘗試,那你就是本書最適合的讀者!
本書特色
◎作者為PyTorch核心開發者,能以更全面的視角來進行教學
◎實作內容豐富,花費大量篇幅處理肺癌偵測專案
◎時刻提點實作專案時可能遇到的陷阱,讓讀者少走彎路
◎各章節的內容皆搭配程式範例,讀者可實際演練來加深印象
◎本書由施威銘研究室監修,書中針對原書進行大量補充,並適當添加註解,幫助讀者更好地理解內容
專家推薦
●Soumith Chintala,PyTorch 共同開發者 & Facebook AI Research 研究員:
『這本書出版後,我們終於有了關於 PyTorch 的權威著作,它具體地說明了基礎的知識和概念。』
●Mathieu Zhang,NVIDIA 深度學習技術經理:
『將深度學習切割成易於讀者消化的區塊,再以程式範例作為輔助。』
●Philippe Van Bergen,PÇ Consulting 雲端架構師:
『具及時性、實務性及透徹性的一本書。你應該把它放在你的電腦旁,而不只是把它放在書架上。』
●Orlando Alejo Méndez Morales,Experian 軟體分析師:
『這本書提供了非常實用的深度學習概述,適合做為教學資源。』
目錄
★第一篇 PyTorch的核心
☆第1章:深度學習與PyTorch函式庫
1-1 深度學習的演變
1-2 將PyTorch應用到深度學習中
1-3 為什麼要使用PyTorch?
1-4 PyTorch如何協助深度學習專案的開發
1-5 軟硬體需求
☆第2章:預先訓練的模型
2-1 利用預先訓練的模型來辨識圖像中的物體
2-2 利用預先訓練的模型來生成『假』圖片
2-3 能描述場景的神經網路模型
2-4 Torch Hub
2-5 結論
☆第3章:介紹張量
3-1 浮點數的世界
3-2 張量:多維陣列
3-3 利用索引值操作張量
3-4 為張量命名
3-5 張量的元素型別
3-6 其他常用的張量功能
3-7 張量的儲存原理
3-8 大小 、偏移及步長
3-9 把張量移到GPU上
3-10 與NumPy的互通性
3-11 通用的張量(可適用於各種硬體)
3-12 將張量序列化(長期儲存)
3-13 結論
☆第4章:用張量表示現實中的資料
4-1 圖片資料
4-2 3D立體圖片資料
4-3 表格資料
4-4 時間序列資料
4-5 表示文字資料
4-6 結論
☆第5章:學習的機制
5-1 學習的流程
5-2 學習就是在估算參數
5-3 以降低損失為目標
5-4 梯度下降演算法
5-5 用PyTorch的autograd進行反向傳播
5-6 結論
☆第6章:使用神經網路來擬合資料
6-1 神經元
6-2 PyTorch的nn模組
6-3 進入正題:神經網路
6-4 結論
☆第7章:從圖片中學習
7-1 由小型圖片組成的資料集
7-2 區分鳥和飛機
7-3 結論
☆第8章:卷積神經網路
8-1 關於卷積
8-2 卷積的實際應用
8-3 建立nn.Module的子類別
8-4 訓練卷積網路
8-5 模型設計的進階技巧
8-6 結論
★第2篇 從現實世界中的圖片學習:肺部腫瘤偵測專案
☆第9章:利用PyTorch對抗癌症
9-1 應用實例的介紹
9-2 為大型專案做準備
9-3 CT掃描到底是什麼?
9-4 專案概述:肺部腫瘤偵測器
9-5 結論
☆第10章:匯入原始資料並整合為資料集
10-1 原始CT資料
10-2 分析LUNA的標註資料
10-3 匯入CT掃描資料
10-4 定位結節
10-5 簡單的資料集實作
10-6 結論
☆第11章:訓練模型分辨結節的真假
11-1 最基礎的模型與訓練迴圈
11-2 程式的進入點
11-3 訓練前的設定與初始化
11-4 我們的首個神經網路
11-5 模型的訓練與驗證
11-6 輸出表現評估資料
11-7 執行訓練程式
11-8 評估模型表現:得到99-7%的分類準確率就代表結束了嗎?
11-9 使用TensorBoard畫出訓練評估指標
11-10 為什麼模型沒有學會偵測結節?
11-11 結論
☆第12章:利用評估指標和資料擴增來改善訓練成效
12-1 模型改善的大方向
12-2 偽陽性與偽陰性
12-3 陽性與陰性的視覺化描述
12-4 理想的資料集長什麼樣子?
12-5 過度配適
12-6 利用資料擴增來防止過度配適
12-7 結論
...
原價:
1000
售價:
900
現省:
100元
立即查看
機率與統計推論:R語言的應用 (2版)
類似書籍推薦給您
本書特色
這是一本因應電腦世代 (computer age) 所寫成的統計學教科書。書中增加了有關 R 語言的介紹,並盡可能在各個章節中,說明電腦以及 R 語言如何在機率與統計推論上,發揮其功用。其中,我們在第 19 章介紹蒙地卡羅模擬與 Bootstrap 樣本重抽法,希望讀者對於如何以電腦運算能力輔助統計推論能有一較為深入的認識。本書的章節安排,是根據我在台大經濟系講授 「統計學」 課程的多年教學經驗所整理出之架構。在介紹完機率模型後,緊接著介紹單變量與多變量隨機變數。關於動差的討論,則是從隨機變數的章節抽離出來,獨立成為第 5 章。同時,亦將常態分配以及與其相關的重要分配如卡方分配,學生 t 分配與 F 分配等,以一獨立章節 (第 6 章) 介紹。這本書的設計目標是,讓學生在得到足以駕馭統計推論的機率理論 (隨機變數,動差,常態分配,抽樣分配與大樣本理論) 之後,就開始一窺統計推論之堂奧。至於其他常用的離散與連續隨機變數,則移到統計推論相關章節的後面,因此,如果是一學期的統計課程,只要專注在第 1 到 11 章即可,關於其他常用離散與連續隨機變數之介紹,可於學期末得空時再補充。我在本書中不再討論變異數分析 (ANOVA),有興趣的讀者請自行參考陳旭昇 (2015)。
本書的特色如下 :
以專章介紹動差與條件動差,並以資本定價模型 (Capital Asset Pricing Model) 作為機率模型的一個應用。
以專章介紹常態分配以及與其相關的重要分配如卡方分配,學生 t 分配與 F分配。
對無母數統計與變異數分析捨棄不提。相反地,對於機率模型,隨機變數,漸近理論 (大樣本理論),估計以及迴歸分析則有較一般初等統計更為深入的探討。
對於迴歸分析,由條件期望值出發,之後再談迴歸的機率模型。在迴歸參數估計上,除了一般常用的最小平方法,我們也使用介紹過的類比法,動差法,以及最大概似法,與之前章節相呼應。此外,揚棄古典迴歸模型中,將解釋變數視為非隨機的假設,並且不再假設迴歸誤差的分配為常態。 因此,對於迴歸模型的統計推論與分析,需仰賴條件機率分配與大樣本漸近理論。
介紹時間序列,多變量常態分配,蒙地卡羅模擬,Bootstrap 樣本重抽法與貝氏統計學。
目錄
1 認識 R 語言
2 機率理論與應用
3 隨機變數
4 多變量隨機變數
5 動差
6 常態分配及其相關分配
7. 隨機樣本與敘述統計
8 漸近理論與漸近分配
9 點估計
10 區間估計
11 假設檢定
12 其他離散隨機變數
13 其他連續隨機變數
14 多變量常態分配
15 簡單迴歸分析 (I): 基本概念
16 簡單迴歸分析 (II): 統計推論
17 多元迴歸分析
18 時間序列
19 蒙地卡羅模擬與 Bootstrap
20 貝氏統計學
21 R 語言簡介
22 機率分配表
立即查看