首頁 > 書目資料
借閱次數 :

高中生也看得懂 機器學習的數學基礎 : AI、深度學習打底必讀 /

  • 點閱:217
  • 評分:0
  • 評論:0
  • 引用:0
  • 轉寄:0


轉寄 列印
第1級人氣樹(0)
人氣指樹
  • 館藏
  • 簡介
  • 作者簡介
  • 收藏(0)
  • 評論(0)
  • 評分(0)
  • 引用(0)

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。』 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

醫學統計學專家 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。 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 經歷:國小級任教師、大阪大學教學助理、中研院數學所博士後研究、國立台中教育大學助理教授、副教授、教授、學術發展組組長、國際事務暨研究發展處處長 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 文化大學日本研究所 清華大學數學系應用數學組 現任國票投顧 專戶管理部 投資經理人 經歷:台灣工銀證券投顧 期顧資深副理/元富期貨 期顧研究員 證照:證券分析師(2006)、期貨分析師(2007),JLPT 1級(1998、2000、2002) 著作:證券期貨證照看了再考!從初階到CSIA、CFTA(考用出版社)/善用30分鐘日檢N4樂樂過(考用出版社)/日檢N1讀解(考用出版社) 譯著:漫畫+圖解財經數學:學習經濟和商用數學最容易上手的方法(五南出版社)/超圖解總體經濟學入門(五南出版社)/超圖解個體經濟學入門(五南出版社)

此功能為會員專屬功能請先登入

此功能為會員專屬功能請先登入

此功能為會員專屬功能請先登入

此功能為會員專屬功能請先登入


本文的引用網址: