包邮人工智能数学基础

目录第1章微积分基础
1.1微积分的核心思想
1.1.1案例：正弦函数面积的累加计算
1.1.2案例：圆面积的累加计算
1.1.3“以直代曲”的泰勒展开解释
1.2导数的近似估计
1.2.1有限差分法
1.2.2案例：正弦函数导数的有限差分估计
1.2.3案例：图像边缘（轮廓）提取
1.3直角坐标与极坐标的变换
1.3.1坐标变换的微分解释
1.3.2案例：高斯分布密度函数的推导
本章小结第2章迭代优化与凸函数
2.1迭代优化
2.1.1一个简单的*优化问题
2.1.2闭式解与非闭式解
2.1.3迭代优化的理论基础
2.1.4案例：抛物线的迭代优化过程
2.2梯度消失
2.2.1梯度消失的概念
2.2.2案例：函数y=-lnx的梯度消失现象
2.3凸函数
2.3.1凸函数与全局*优解
2.3.2单调性和凹凸性
2.3.3凸函数的判定方法
2.4凸集与凸规划
2.4.1凸集的概念
2.4.2凸规划的应用
本章小结第3章向量空间
3.1向量概述
3.1.1点与向量
3.1.2向量的基本运算
3.1.3案例：计算机图形学中的向量矩阵运算
3.2秩与子空间
3.2.1线性相关与线性无关
3.2.2秩的概念
3.2.3子空间
3.2.4高维人脸图像的低维子空间
3.3线性变换
3.3.1基与坐标系
3.3.2高维到低维的线性变换
3.3.3坐标系之间的线性变换
3.4投影与正交化
3.4.1正交投影
3.4.2施密特正交化
本章小结第4章矩阵的特征分解与压缩
4.1特征分解与对角化
4.1.1特征值和特征向量
4.1.2矩阵对角化
4.1.3左右特征向量和特征分解
4.1.4案例：图像矩阵的特征分解与重构
4.2正交矩阵
4.2.1正交对角化
4.2.2正交旋转算子
4.2.3案例：样本结构的旋转不变性
4.3对称矩阵的压缩
4.3.1零空间
4.3.2无损压缩
4.3.3低秩逼近的误差平方和
4.4奇异值分解
4.4.1奇异值分解概述
4.4.2奇异值分解步骤
4.4.3案例：奇异值分解实现人脸图像压缩
本章小结第5章概率论基础
5.1基本概率
5.1.1条件概率——关联性的度量
5.1.2事件的独立性
5.1.3全概率与贝叶斯公式
5.2样本统计量
5.2.1期望和方差
5.2.2协方差与相关系数
5.2.3主分量分析——协方差矩阵的特征分解
5.2.4案例：人脸图像的主分量分析
5.3常见的概率分布及其内在联系
5.3.1常见的概率分布简介
5.3.20-1分布、二项分布和泊松分布的关系
5.3.3案例：二项分布B（n，p）的模拟
5.3.4泊松分布与指数分布的关系
5.4概率变换
5.4.1概率变换的微分解释
5.4.2逆变换法
5.4.3案例：用逆变换法实现概率分布变换
5.4.4标准正态分布导出的三大分布
本章小结第6章数理统计基础
6.1参数估计
6.1.1矩估计
6.1.2*大似然估计
6.1.3方差的渐进无偏估计
6.2正态分布的重要性质
6.2.1标准正态分布
6.2.2案例：数值积分模拟3σ原则
6.2.3正态性度量
6.2.4案例：*佳聚类个数的判定
6.3渐近正态性
6.3.1切比雪夫不等式和大数定理
6.3.2中心极限定理
6.3.3案例：指数分布样本均值的渐近正态分布
6.4数据的显著性差异
6.4.1置信区间和p值
6.4.2案例：与标准正态相关的三大分布显著性检验
本章小结第7章线性模型
7.1线性方程组
7.1.1案例：线性方程组的应用
7.1.2方程组的解与线性空间的关系
7.1.3*小二乘解
7.2线性回归
7.2.1案例：线性回归建模
7.2.2回归噪声与相关系数
7.2.3线性回归分类器
7.2.4离群点对线性回归模型的影响
7.3线性特征提取
7.3.1线性鉴别分析
7.3.2案例：鸢尾花数据的二维鉴别空间
7.3.3高维小样本的不稳定性及正则化
7.3.4岭回归
7.4线性模型的马氏距离与高斯假设
本章小结第8章熵与不确定性
8.1熵的概念
8.1.1惊奇程度的加权平均
8.1.2熵函数与不确定性
8.2熵的拓展
8.2.1联合熵和条件熵
8.2.2互信息
8.2.3标准化互信息
8.2.4案例：鸢尾花数据的聚类指标NMI
8.3基于熵的数据分析
8.3.1信息增益
8.3.2KullbackLeibler距离
8.3.3案例：两个概率分布的KL距离度量
8.3.4交叉熵和相对熵
本章小结第9章大规模矩阵分解
9.1QR分解
9.1.1QR分解在线性方程组中的作用
9.1.2施密特正交化QR分解
9.1.3Householder变换QR分解
9.1.4Given变换QR分解
9.1.5案例：QR分解的效率
9.2LU分解
9.2.1LU分解的理论基础
9.2.2LU分解在线性方程组中的应用
9.2.3案例：LU分解的效率
9.3Cholesky分解的两种方法
9.4矩阵分解并行化软件库简介
本章小结第10章迭代优化方法
10.1*速下降法
10.1.1*速下降法的理论基础
10.1.2案例：*速下降法求解二次函数
10.2牛顿法
10.2.1牛顿法概述
10.2.2案例：牛顿法求解二次函数
10.3拟牛顿法
10.3.1拟牛顿法的思想
10.3.2秩1更新法
10.3.3秩2更新法
10.3.4案例：用DFP和BFGS迭代求解二次函数
10.4批量随机梯度法
10.4.1批量随机梯度法概述
10.4.2案例：批量随机梯度法的手动求导
10.4.3案例：批量随机梯度法的自动求导
10.5其他深度学习优化方法简介
本章小结第11章深度学习基础
11.1深度学习的拟合能力
11.2图像特征提取
11.2.1卷积
11.2.2下采样（池化）
11.2.3LeNet模型的卷积和下采样
11.3激活函数
11.3.1Sigmoid函数
11.3.2Sigmoid激活和抑制
11.3.3其他激活函数简介
11.4网络模型优化
11.4.1损失函数
11.4.2神经元的连接
11.4.3链式求导与变量更新
11.4.4正则化和Dropout
11.5深度神经网络的搭建和训练
11.5.1案例：搭建神经网络并查看模型结构
11.5.2案例：用正则化缓解网络的过拟合现象
本章小结第12章随机方法
12.1蒙特卡罗法
12.1.1案例：正弦区域面积的估算
12.1.2估算可信度的统计学解释
12.2矩阵特征对的幂迭代算法
12.2.1幂迭代算法介绍
12.2.2幂迭代算法的理论分析
12.2.3案例：特征值分布对幂迭代收敛效率的影响
12.3马尔可夫过程
12.3.1非负不可约矩阵
12.3.2马尔可夫矩阵和平稳分布
12.3.3Google矩阵
12.4基于概率转移的随机采样法
12.4.1马尔可夫链蒙特卡罗算法
12.4.2案例：晴雨天概率转移的MCMC实现
12.4.3MetropolisHasting算法
12.4.4案例：晴雨天概率转移的MH算法实现
本章小结第13章模型评估
13.1评估判别指标
13.1.1精准率、召回率、正确率和混淆矩阵
13.1.2F1分数及其拓展
13.1.3统计学中的两类错误
13.2模型区分度
13.2.1AP值和PR曲线
13.2.2ROC曲线和AUC面积
13.3多分类模型的评估
13.3.1onehot矩阵和mAP值
13.3.2宏平均和微平均
13.3.3案例：降维后wine.data的类别区分度计算
13.3.4案例：wine.data聚类可视化及其评估指标
本章小结参考文献
1113466710131314151616161718192121222323252831313232343434353738383940424343454647474951525252555758616162646666676869697172757676777879818183858688899091939595969798100101101101102105106106108110111114114115116118118120124125125125127128129129131133134135135138140141142144145145145146148148150154155158158160161162163164164164166168170171173173174175178179180181181181183186186187188189189190192194194196198200201202202205205207208209209211211213213214215217219219221224226226226229232232233234237237239240242242243244246247248248248250251252252255257257258259262266267