123,123

內(nèi)容簡(jiǎn)介

　　9787115537973 數(shù)學(xué)之美第三版 69.00 9787115553614 程序員的數(shù)學(xué)基礎(chǔ)課從理論到Python實(shí)踐 89.00 9787115542939 機(jī)器學(xué)習(xí)的數(shù)學(xué) 109.00《數(shù)學(xué)之美第三版》八年前，“數(shù)學(xué)之美”系列文章原刊載于谷歌黑板報(bào)，獲得上百萬(wàn)次點(diǎn)擊，得到讀者高度評(píng)價(jià)。讀者說(shuō)，讀了“數(shù)學(xué)之美”，才發(fā)現(xiàn)大學(xué)時(shí)學(xué)的數(shù)學(xué)知識(shí)，比如馬爾可夫鏈、矩陣計(jì)算，甚至余弦函數(shù)原來(lái)都如此親切，并且栩栩如生，才發(fā)現(xiàn)自然語(yǔ)言和信息處理這么有趣。在紙本書(shū)的創(chuàng)作中，作者幾乎把所有文章都重寫了一遍，為的是把高深的數(shù)學(xué)原理講得更加通俗易懂，讓非專業(yè)讀者也能領(lǐng)略數(shù)學(xué)的魅力。讀者通過(guò)具體的例子學(xué)到的是思考問(wèn)題的方式 —— 如何化繁為簡(jiǎn)，如何用數(shù)學(xué)去解決工程問(wèn)題，如何跳出固有思維不斷去思考創(chuàng)新。本書(shū)第一版榮獲國(guó)家圖書(shū)館第八屆文津圖書(shū)獎(jiǎng)。第二版增加了針對(duì)大數(shù)據(jù)和機(jī)器學(xué)習(xí)的內(nèi)容。第三版增加了三章新內(nèi)容，分別介紹當(dāng)今非常熱門的三個(gè)主題：區(qū)塊鏈的數(shù)學(xué)基礎(chǔ)，量子通信的原理，以及人工智能的數(shù)學(xué)極限。《程序員的數(shù)學(xué)基礎(chǔ)課從理論到Python實(shí)踐》本書(shū)緊貼計(jì)算機(jī)領(lǐng)域，從程序員的需求出發(fā)，精心挑選了程序員真正用得上的數(shù)學(xué)知識(shí)，通過(guò)生動(dòng)的案例來(lái)解讀知識(shí)中的難點(diǎn)，使程序員更容易對(duì)實(shí)際問(wèn)題進(jìn)行數(shù)學(xué)建模，進(jìn)而構(gòu)建出更優(yōu)化的算法和代碼。本書(shū)共分為三大模塊：“基礎(chǔ)思想”篇梳理編程中常用的數(shù)學(xué)概念和思想，既由淺入深地精講數(shù)據(jù)結(jié)構(gòu)與數(shù)學(xué)中基礎(chǔ)、核心的數(shù)學(xué)知識(shí)，又闡明數(shù)學(xué)對(duì)編程和算法的真正意義；“概率統(tǒng)計(jì)”篇以概率統(tǒng)計(jì)中核心的貝葉斯公式為基點(diǎn)，向上講解隨機(jī)變量、概率分布等基礎(chǔ)概念，向下講解樸素貝葉斯，并分析其在生活和編程中的實(shí)際應(yīng)用，使讀者真正理解概率統(tǒng)計(jì)的本質(zhì)，跨越概念和應(yīng)用之間的鴻溝；“線性代數(shù)”篇從線性代數(shù)中的核心概念向量、矩陣、線性方程入手，逐步深入分析這些概念是如何與計(jì)算機(jī)融會(huì)貫通以解決實(shí)際問(wèn)題的。除了理論知識(shí)的闡述，本書(shū)還通過(guò)Python語(yǔ)言，分享了通過(guò)大量實(shí)踐積累下來(lái)的寶貴經(jīng)驗(yàn)和編碼，使讀者學(xué)有所用。本書(shū)的內(nèi)容從概念到應(yīng)用，再到本質(zhì)，層層深入，不但注重培養(yǎng)讀者養(yǎng)成良好的數(shù)學(xué)思維，而且努力使讀者的編程技術(shù)實(shí)現(xiàn)進(jìn)階，非常適合希望從本質(zhì)上提升編程質(zhì)量的中級(jí)程序員閱讀和學(xué)習(xí)。《機(jī)器學(xué)習(xí)的數(shù)學(xué)》本書(shū)的目標(biāo)是幫助讀者全面、系統(tǒng)地學(xué)習(xí)機(jī)器學(xué)習(xí)所必須的數(shù)學(xué)知識(shí)。全書(shū)由8章組成，力求精準(zhǔn)、最小地覆蓋機(jī)器學(xué)習(xí)的數(shù)學(xué)知識(shí)。包括微積分，線性代數(shù)與矩陣論，Z優(yōu)化方法，概率論，信息論，隨機(jī)過(guò)程，以及圖論。本書(shū)從機(jī)器學(xué)習(xí)的角度講授這些數(shù)學(xué)知識(shí)，對(duì)它們?cè)谠擃I(lǐng)域的應(yīng)用舉例說(shuō)明，使讀者對(duì)某些抽象的數(shù)學(xué)知識(shí)和理論的實(shí)際應(yīng)用有直觀、具體的認(rèn)識(shí)。本書(shū)內(nèi)容緊湊，結(jié)構(gòu)清晰，深入淺出，講解詳細(xì)?？捎米饔?jì)算機(jī)、人工智能、電子工程、自動(dòng)化、數(shù)學(xué)等相關(guān)專業(yè)的教材與教學(xué)參考書(shū)。對(duì)人工智能領(lǐng)域的工程技術(shù)人員與產(chǎn)品研發(fā)人員，本書(shū)也有很強(qiáng)的參考價(jià)值。對(duì)于廣大數(shù)學(xué)與應(yīng)用的數(shù)學(xué)愛(ài)好者，本書(shū)亦為適合自學(xué)的讀本。

作者簡(jiǎn)介

　　《數(shù)學(xué)之美第三版》吳軍，學(xué)者，投資人，人工智能、語(yǔ)音識(shí)別和互聯(lián)網(wǎng)搜索專家。畢業(yè)于清華大學(xué)和美國(guó)約翰·霍普金斯大學(xué)，現(xiàn)任豐元資本創(chuàng)始合伙人、上海交通大學(xué)客座教授、約翰·霍普金斯大學(xué)工學(xué)院董事等職。吳軍博士曾作為資深研究員和副總裁分別任職于Google公司和騰訊公司。在Google公司，他和同事一同開(kāi)創(chuàng)了搜索反作弊研究領(lǐng)域，成立了中、日、韓文產(chǎn)品部門，設(shè)計(jì)了Google中、日、韓文搜索算法，領(lǐng)導(dǎo)了Google自然語(yǔ)言處理和自動(dòng)問(wèn)答等研究型項(xiàng)目，擁有近20項(xiàng)美國(guó)發(fā)明專利。在騰訊公司，他負(fù)責(zé)了搜索、搜索廣告和街景地圖等項(xiàng)目。作為風(fēng)險(xiǎn)投資人，他成功地投資了150家硅谷和中國(guó)的高科技企業(yè)。吳軍博士對(duì)科技產(chǎn)業(yè)有深入的研究，是當(dāng)今硅谷地區(qū)解讀IT產(chǎn)業(yè)的專家。吳軍博士著有《數(shù)學(xué)之美》《大學(xué)之路》《文明之光》《智能時(shí)代》《見(jiàn)識(shí)》《態(tài)度》和《全球科技通史》等多部暢銷書(shū)，并多次獲得包括文津獎(jiǎng)、中國(guó)好書(shū)獎(jiǎng)、中華優(yōu)秀出版物在內(nèi)的圖書(shū)大獎(jiǎng)。《程序員的數(shù)學(xué)基礎(chǔ)課從理論到Python實(shí)踐》黃申，博士，2015 年美國(guó)杰出人才，微軟學(xué)者，IBM ExtremeBlue天才計(jì)劃成員，KDD WISDOM'20主席。2006年博士畢業(yè)于上海交通大學(xué)計(jì)算機(jī)科學(xué)與工程專業(yè)，師從俞勇教授，發(fā)表過(guò)20 余篇國(guó)際論文，擁有30多項(xiàng)國(guó)際專利。有20多年機(jī)器學(xué)習(xí)和大數(shù)據(jù)領(lǐng)域的經(jīng)驗(yàn)，現(xiàn)任Glassdoor機(jī)器學(xué)習(xí)資深研發(fā)經(jīng)理，曾任職于LinkedIn全球數(shù)據(jù)科學(xué)部、微軟亞洲研究院、IBM研究院、eBay中國(guó)研發(fā)中心，1號(hào)店和大潤(rùn)fa飛牛網(wǎng)。著有《大數(shù)據(jù)架構(gòu)和算法實(shí)現(xiàn)之路：電商系統(tǒng)的技術(shù)實(shí)戰(zhàn)》《大數(shù)據(jù)架構(gòu)商業(yè)之路：從業(yè)務(wù)需求到技術(shù)方案》兩本原創(chuàng)技術(shù)圖書(shū)，并翻譯出版了《Elasticsearch實(shí)戰(zhàn)》《Python機(jī)器學(xué)習(xí)實(shí)踐指南》等技術(shù)圖書(shū)，在極客時(shí)間發(fā)表了專欄《程序員的數(shù)學(xué)基礎(chǔ)課》。《機(jī)器學(xué)習(xí)的數(shù)學(xué)》雷明，資深機(jī)器學(xué)習(xí)、機(jī)器視覺(jué)專家。畢業(yè)于清華大學(xué)計(jì)算機(jī)系，研究方向?yàn)闄C(jī)器視覺(jué)、機(jī)器學(xué)習(xí)，曾發(fā)表論文數(shù)篇?！稒C(jī)器學(xué)習(xí)-原理、算法與應(yīng)用》暢銷書(shū)作者。曾任百度項(xiàng)目經(jīng)理；zmodo/meShare公司CTO、平臺(tái)研發(fā)中心負(fù)責(zé)人。SIGAI創(chuàng)始人，致力于研發(fā)零編程、可視化的機(jī)器視覺(jué)框架，用標(biāo)準(zhǔn)化的算法賦能各個(gè)行業(yè)。

圖書(shū)目錄

《數(shù)學(xué)之美第三版》

I 第二版序言

III 第一版序言

VI 第三版前言

1 第 1章文字和語(yǔ)言 vs 數(shù)字和信息

15 第 2章自然語(yǔ)言處理——從規(guī)則到統(tǒng)計(jì)

27 第3章統(tǒng)計(jì)語(yǔ)言模型

41 第4章談?wù)劮衷~

50 第5章隱馬爾可夫模型

60 第6章信息的度量和作用

72 第7章賈里尼克和現(xiàn)代語(yǔ)言處理

82 第8章簡(jiǎn)單之美——布爾代數(shù)和搜索引擎

89 第9章圖論和網(wǎng)絡(luò)爬蟲(chóng)

98 第 10章 PageRank——Google的民主表決式網(wǎng)頁(yè)排名技術(shù)

104 第 11章如何確定網(wǎng)頁(yè)和查詢的相關(guān)性

111 第 12章有限狀態(tài)機(jī)和動(dòng)態(tài)規(guī)劃——地圖與本地搜索的核心技術(shù)

121 第 13章 Google AK-47的設(shè)計(jì)者——阿米特.辛格博士

127 第 14章余弦定理和新聞的分類

136 第 15章矩陣運(yùn)算和文本處理中的兩個(gè)分類問(wèn)題

142 第 16章信息指紋及其應(yīng)用

153 第 17章由電視劇《暗算》所想到的——談?wù)劽艽a學(xué)的數(shù)學(xué)原理

162 第 18章閃光的不一定是金子——談?wù)勊阉饕娣醋鞅讍?wèn)題和搜索結(jié)果的quan威性問(wèn)題

171 第 19章談?wù)剶?shù)學(xué)模型的重要性

179 第 20章不要把雞蛋放到一個(gè)籃子里——談?wù)刏大熵模型

186 第 21章拼音輸入法的數(shù)學(xué)原理

197 第 22章自然語(yǔ)言處理的教父馬庫(kù)斯和他的優(yōu)秀弟子們

204 第 23章布隆過(guò)濾器

209 第 24章馬爾可夫鏈的擴(kuò)展——貝葉斯網(wǎng)絡(luò)

217 第 25章條件隨機(jī)場(chǎng)、文法分析及其他

227 第 26章維特比和他的維特比算法

238 第 27章上帝的算法——期望Z大化算法

244 第 28章邏輯回歸和搜索廣告

249 第 29章各個(gè)擊破算法和Google云計(jì)算的基礎(chǔ)

254 第30章 Google大腦和人工神經(jīng)網(wǎng)絡(luò)

274 第31章區(qū)塊鏈的數(shù)學(xué)基礎(chǔ)——橢圓曲線加密原理

282 第32章大數(shù)據(jù)的威力——談?wù)剶?shù)據(jù)的重要性

304 第33章隨機(jī)性帶來(lái)的好處——量子密鑰分發(fā)的數(shù)學(xué)原理

312 第34章數(shù)學(xué)的極限——希爾伯特第十問(wèn)題和機(jī)器智能的極限

323 附錄計(jì)算復(fù)雜度

327 第三版后記

333 索引

《程序員的數(shù)學(xué)基礎(chǔ)課從理論到Python實(shí)踐》
第一篇基礎(chǔ)思想 1

第 1章二進(jìn)制、余數(shù)和布爾代數(shù) 2

1.1 二進(jìn)制 2

1.2 余數(shù) 15

1.3 布爾代數(shù) 19

第 2章迭代、數(shù)學(xué)歸納和遞歸 30

2.1 迭代法 30

2.2 數(shù)學(xué)歸納法 37

2.3 遞歸 41

2.4 迭代法、數(shù)學(xué)歸納法和遞歸的關(guān)聯(lián) 56

第3章排列、組合和動(dòng)態(tài)規(guī)劃 58

3.1 排列 58

3.2 組合 62

3.3 動(dòng)態(tài)規(guī)劃 65

第4章樹(shù)和圖 74

4.1 圖和樹(shù)的概念 74

4.2 樹(shù)的常見(jiàn)應(yīng)用 77

4.3 樹(shù)的深度優(yōu)先搜索和遍歷 83

4.4 樹(shù)和圖的廣度優(yōu)先搜索和遍歷 94

4.5 圖中的Z短路徑 114

第5章編程中的數(shù)學(xué)思維 126

5.1 數(shù)據(jù)結(jié)構(gòu)、編程語(yǔ)言和基礎(chǔ)算法 126

5.2 算法復(fù)雜度分析 129

第二篇概率統(tǒng)計(jì) 138

第6章概率和統(tǒng)計(jì)基礎(chǔ) 139

6.1 概論和統(tǒng)計(jì)對(duì)于編程的意義 139

6.2 隨機(jī)變量、概率分布和期望值 141

6.3 聯(lián)合概率、條件概率和貝葉斯定理 159

第7章樸素貝葉斯分類 165

7.1 原始信息的轉(zhuǎn)換 165

7.2 樸素貝葉斯的核心思想 166

7.3 基于樸素貝葉斯算法的文本分類 170

第8章馬爾可夫過(guò)程 181

8.1 語(yǔ)言模型 181

8.2 語(yǔ)言模型的應(yīng)用 183

8.3 馬爾可夫模型 184

8.4 隱馬爾可夫模型 188

第9章信息熵 200

9.1信息熵和信息增益 200

9.2 通過(guò)信息增益進(jìn)行決策 204

9.3 特征選擇 209

第 10章數(shù)據(jù)分布 212

10.1 特征變換 212

10.2 統(tǒng)計(jì)意義 217

10.3 擬合、欠擬合和過(guò)擬合及其處理 229

第三篇線性代數(shù) 235

第 11章線性代數(shù)基礎(chǔ) 236

11.1 向量和向量空間 236

11.2 矩陣 250

第 12章文本處理中的向量空間模型 256

12.1 信息檢索 256

12.2 文本聚類 259

12.3 文本分類 263

第 13章對(duì)象間關(guān)系的刻畫(huà)——矩陣 267

13.1 PageRank的矩陣實(shí)現(xiàn) 267

13.2 用矩陣實(shí)現(xiàn)推薦系統(tǒng) 272

第 14章矩陣的特征 279

14.1 主成分分析（PCA） 279

14.2 奇異值分解（SVD） 288

第 15章回歸分析 294

15.1 線性方程組 294

15.2 Z小二乘法 299

第 16章神經(jīng)網(wǎng)絡(luò) 311

16.1 神經(jīng)網(wǎng)絡(luò)的基本原理 311

16.2 基于TensorFlow的實(shí)現(xiàn) 317

16.3 Word2Vec 327

《機(jī)器學(xué)習(xí)的數(shù)學(xué)》
第 1 章一元函數(shù)微積分1

1.1　極限與連續(xù)　1

1.2　導(dǎo)數(shù)與微分　14

1.3　微分中值定理　29

1.4　泰勒公式　31

1.5　不定積分　33

1.6　定積分　37

1.7　常微分方程　45

第 2　章線性代數(shù)與矩陣論49

2.1　向量及其運(yùn)算　49

2.2　矩陣及其運(yùn)算　65

2.3　行列式　82

2.4　線性方程組　92

2.5　特征值與特征向量　97

2.6　二次型　116

2.7　矩陣分解　121

第3　章多元函數(shù)微積分133

3.1　偏導(dǎo)數(shù)　133

3.2　梯度與方向?qū)?shù)　138

3.3　黑塞矩陣　140

3.4　雅可比矩陣　146

3.5　向量與矩陣求導(dǎo)　150

3.6　微分算法　156

3.7　泰勒公式　159

3.8　多重積分　161

3.9　無(wú)窮級(jí)數(shù)　170

第4　章最優(yōu)化方法176

4.1　基本概念　176

4.2　一階優(yōu)化算法　180

4.3　二階優(yōu)化算法　188

4.4　分治法　193

4.5　凸優(yōu)化問(wèn)題　198

4.6　帶約束的優(yōu)化問(wèn)題　202

4.7　多目標(biāo)優(yōu)化問(wèn)題　213

4.8　泛函極值與變分法　216

4.9　目標(biāo)函數(shù)的構(gòu)造　221

第5　章概率論228

5.1　隨機(jī)事件與概率　229

5.2　隨機(jī)變量　236

5.4　分布變換　254

5.5　隨機(jī)向量　258

5.6　極限定理　271

5.7　參數(shù)估計(jì)　273

5.8　隨機(jī)算法　288

5.9　采樣算法　295

第6　章信息論298

6.1　熵與聯(lián)合熵　298

6.2　交叉熵　305

6.3　Kullback-Leibler 散度　309

6.4　Jensen-Shannon 散度　316

6.5　互信息　320

6.6　條件熵　324

6.7　總結(jié)　326

第7　章隨機(jī)過(guò)程328

7.1　馬爾可夫過(guò)程　328

7.2　馬爾可夫鏈采樣算法　348

7.3　高斯過(guò)程　355

第8　章圖論363

8.1　圖的基本概念　363

8.2　若干特殊的圖　373

8.3　重要的算法　380

8.4　譜圖理論　384