hiskio

    圖解機器學習與資料科學的數學基礎

    使用Python

    收集中
    US$20.65

    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」

    作者介紹


    松田雄馬
    工學博士。於日本電氣株式會社（NEC）的中央研究所創立腦型電腦研究開發團體與取得博士學位後自立門戶，與他人一同創立合同公司IQBETA。身為數理科學者的他利用將大腦、智能、人類視為生命的原創理論研究AI、機械學習、圖像辨識、自律分散控制這類主題，也根據以人類為主的社會架構開發系統、組織與培育人材。現為株式會社ONGIGANTS（舊合同公司IQBETA）的董事長，以及一橋大學大學院（一橋商業學院）的約聘講師，也擔任多間企業的技術顧問。著有《人工知能に未来を託せますか》（岩波書店）以及共同著作的《Python実践データ分析100本ノック》（秀和System）等。

    露木宏志
    就讀筑波大學期間便開始自學程式，也藉著在多間企業實習與參加程式設計競賽的經驗，挑戰數學、圖表理論、列舉這類數理方面的難題。大學中輟之後，進入合同公司IQBETA服務，負責開發自然語言處理的文章分類、類似文章搜尋的演算法，以及利用機械學習預測業績、以圖像辨識進行物體偵測的演算法，還開發了推測人物姿勢、追跡、判斷動作好壞的演算法。此外也開發能有效處理上述結果的資通系統，每天沉迷於各種技術的研究。目前一邊於株式會社Iroribi負責DX推進事業，一邊沒日沒夜地開發各種技術。

    千葉彌平
    於就讀國際基督教大學之際，開發了過半數學生使用的課程管理系統Time Table For ICU。大學畢業後，以專業工程師之姿進入合同公司IQBETA服務。推動業務的同時，還於東京大學大學院學際情報學府從事簡化IoT系統開發者門檻的IoT平台基礎研究。專長是從各種觀點開發技術，也與各領域的專家一同推動各項專案，例如資料輸入方面的IoT、感測器裝置、以及處理方面的AI、資料分析，或是控制方面的小型機器人、無人機。目前也是大型IT系統公司的顧問。

    目錄


    序章｜設定 Python開發環境
    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
    第2章｜試著利用機器學習進行分析
    第3章｜推測必需的資料筆數

    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
    第5章｜透過排班問題了解最佳化問題的全貌

    第三篇 數値模擬篇
    第6章｜試著預測傳染病的影響
    第7章｜試著透過動畫模擬人類的行為

    第四篇 深度學習篇
    第8章｜了解深度學習辨識影像的方法
    第9章｜了解深度學習處理時間序列資料的機制
    第10章｜了解以深度學習進行的圖片處理與語言處理

    Appendix 程式設計與數學之間的橋梁
    Appendix 1｜利用公式了解常態分佈
    Appendix 2｜微分方程式差分法造成的誤差與泰勒展開式
    Appendix 3｜非線性最佳化的機械學習／深度學習的迴歸／分類

    章節目錄

    • 1-1
      封面頁
    • 1-2
      書名頁
    • 1-3
      前言
    • 1-4
      在工作職場活用數學這項利器
    • 1-5
      目錄
    • 1-6
      閱讀本書的方式
    • 1-7
      執行環境與程式碼
    • 1-8
      序章 設定 Python開發環境
    • 1-9
      Prologue1 試著使用 Google Colaboratory
    • 1-10
      Prologue2 下載Anaconda，建置開發環境
    • 1-11
      Prologue3 利用Python 動手撰寫程式
    • 1-12
      Prologue4 試著上傳檔案
    • 1-13
      第一篇 機率統計、機器學習篇
    • 1-14
      Ch01 統計分析的第一步、統計分佈的可視化與分析
    • 1-15
      1-1 試著載入資料
    • 1-16
      1-2 試著讓時間軸資料可視化
    • 1-17
      1-3 試著輸出平均值、中位數、最小值與最大值
    • 1-18
      1-4 觀察分佈的形狀
    • 1-19
      1-5 試著計算分佈的近似曲線
    • 1-20
      1-6 試著篩選每種方案的資料
    • 1-21
      1-7 分析大顧客的行為模式
    • 1-22
      1-8 試著分析疫情爆發前後的顧客行為模式
    • 1-23
      1-9 試著根據條件分類顧客
    • 1-24
      1-10 列出符合條件的顧客
    • 1-25
      Ch02 試著利用機器學習進行分析
    • 1-26
      2-1 計算顧客行為模式的相似度
    • 1-27
      2-2 了解相似度與機器學習的關係
    • 1-28
      2-3 透過主成分分析確認大顧客的相似程度
    • 1-29
      2-4 根據時間軸確認大顧客的行為模式
    • 1-30
      2-5 透過集群分析可視化大顧客的行為模式有何差異
    • 1-31
      2-6 利用決策樹推測行為模式的原因
    • 1-32
      2-7 可視化決策樹的分類結果，評估分類的精確度
    • 1-33
      2-8 了解評估預測精確度的流程
    • 1-34
      2-9 比較各種分類演算法
    • 1-35
      2-10 試著利用支援向量機迴歸法預測具有時序的資料
    • 1-36
      Ch03 推測必需的資料筆數
    • 1-37
      3-1 試著模擬統計值
    • 1-38
      3-2 了解中央極限定理
    • 1-39
      3-3 正確取得一個月份的資料
    • 1-40
      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
    • 1-41
      3-5 了解標準差與信賴度的相關性
    • 1-42
      3-6 假設與住宿者人數的相關性，推測失竊總金額的趨勢
    • 1-43
      3-7 推測年度失竊總金額與對應的信賴區間
    • 1-44
      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
    • 1-45
      3-9 針對平價備品的二年內失竊金額趨勢設定信賴區間
    • 1-46
      3-10 根據兩年份的資料「驗算」
    • 1-47
      第二篇 數理最佳化篇
    • 1-48
      Ch04 透過最佳路徑規劃問題，了解解決最佳化問題的方法
    • 1-49
      4-1 了解解決數理最佳化問題的方法
    • 1-50
      4-2 了解數理最佳化的起點「公式化」
    • 1-51
      4-3 執行窮舉式演算法
    • 1-52
      4-4 了解利用演算法解決問題的方法
    • 1-53
      4-5 學習以動態規劃演算法算出精確解答的方法
    • 1-54
      4-6 了解動態規劃法的程式碼
    • 1-55
      4-7 學習求出近似解的方法
    • 1-56
      4-8 利用最近鄰居法求出近似解
    • 1-57
      4-9 利用基因演算法學習計算近似解的方法
    • 1-58
      4-10 了解基因演算法的程式碼
    • 1-59
      Ch05 透過排班問題了解最佳化問題的全貌
    • 1-60
      5-1 了解最佳化問題的種類
    • 1-61
      5-2 試著利用求解器解決線性最佳化問題
    • 1-62
      5-3 試著解決非線性最佳化問題
    • 1-63
      5-4 試著設計自動安排鐘點員工班表的方法
    • 1-64
      5-5 利用Graph Network 可視化排班意願
    • 1-65
      5-6 學習讓配對問題轉換成最大流問題的方法
    • 1-66
      5-7 了解「寬度優先搜尋」這個解決最大流問題的方法
    • 1-67
      5-8 了解「深度優先搜尋」這個解決最大流問題的方法
    • 1-68
      5-9 試著解決最大流問題
    • 1-69
      5-10 試著利用最大流問題的解法解決配對問題
    • 1-70
      第三篇 數値模擬篇
    • 1-71
      Ch06 試著預測傳染病的影響
    • 1-72
      6-1 了解傳染病模型的輪廓
    • 1-73
      6-2 用於了解傳染病模型的幾何級數
    • 1-74
      6-3 調整幾何級數的參數，直觀了解微分方程式
    • 1-75
      6-4 說明實際的生物或社會現象的邏輯方程式
    • 1-76
      6-5 調整邏輯方程式的參數，直覺了解微分方程式
    • 1-77
      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）
    • 1-78
      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
    • 1-79
      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）
    • 1-80
      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
    • 1-81
      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
    • 1-82
      Ch07 想透過動畫模擬人類的行為
    • 1-83
      7-1 試著模擬人類動向
    • 1-84
      7-2 試著模擬緊急避難之際的行為
    • 1-85
      7-3 可視化每個人的移動過程
    • 1-86
      7-4 該如何模擬謠言的傳播情況？
    • 1-87
      7-5 確認謠言或口碑於不同路線的傳播情況
    • 1-88
      7-6 試著將謠言的傳播滲透度畫成圖表
    • 1-89
      7-7 試著可視化人際關係的網路
    • 1-90
      7-8 可視化人際關係網路的成長過程
    • 1-91
      7-9 試著分析網路
    • 1-92
      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
    • 1-93
      第四篇 深度學習篇
    • 1-94
      Ch08 了解深度學習辨識影像的方法
    • 1-95
      8-1 深度學習到底能做什麼？
    • 1-96
      8-2 深度學習的運作方式
    • 1-97
      8-3 深度學習是如何「學習」的？
    • 1-98
      8-4 利用深度學習函式庫預測線性圖表
    • 1-99
      8-5 透過深度學習函式庫預測曲線圖
    • 1-100
      8-6 了解圖片構造這個學習資料
    • 1-101
      8-7 利用深度學習函式庫從零開始學習圖片檔
    • 1-102
      8-8 評估學習結果
    • 1-103
      8-9 可視化神經網路看見的「特徵」
    • 1-104
      8-10 可視化完成學習後的神經網路構造
    • 1-105
      Ch09 了解深度學習處理時間序列資料的機制
    • 1-106
      9-1 了解RNN 的基礎
    • 1-107
      9-2 利用RNN 預測正弦波
    • 1-108
      9-3 試著評估預測結果
    • 1-109
      9-4 試著利用CNN 預測正弦波
    • 1-110
      9-5 提升預測正弦波的精確度
    • 1-111
      9-6 事先整理分類聲音所需的必要資料
    • 1-112
      9-7 試著利用LSTN 分類聲音
    • 1-113
      9-8 試著評估LSTM 的分類結果
    • 1-114
      9-9 試著利用CNN 分類音樂
    • 1-115
      9-10 試著評估CNN 的分類結果
    • 1-116
      Ch10 了解以深度學習進行的圖片處理與語言處理
    • 1-117
      10-1 了解深度學習的應用範圍
    • 1-118
      10-2 了解物體偵測演算法「YOLO」
    • 1-119
      10-3 試著利用YOLO 偵測物體
    • 1-120
      10-4 評估物體偵測處理的結果
    • 1-121
      10-5 了解圖像分割處理的Segnet
    • 1-122
      10-6 試著利用Segnet 執行圖像分割處理
    • 1-123
      10-7 評估圖像分割結果
    • 1-124
      10-8 了解以深度學習執行自然語言處理的Bert
    • 1-125
      10-9 試著利用Bert 分類文本
    • 1-126
      10-10 試著評估以Bert 分類文本的結果
    • 1-127
      附録 程式設計與數學之間的橋梁
    • 1-128
      Appendix1 利用公式了解常態分佈
    • 1-129
      Appendix2 微分方程式差分法造成的誤差與泰勒展開式
    • 1-130
      Appendix3 非線性最佳化的機械學習／深度學習的迴歸／分類
    • 1-131
      結語
    • 1-132
      参考文献
    • 1-133
      版權頁
    • 1-134
      封底頁

    常見問答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台，在【我的學習】＞【我的書籍】頁面，選擇想看的電子書。

    猜你喜歡

    用戶評價

    | 收集中

    銷售方案