程序員數(shù)學修煉三劍客：數(shù)學之美第三版+程序員的數(shù)學基礎課+機器學習的數(shù)學（套裝共3冊）

定　價：￥267.00

作　者：	吳軍，黃申，雷明著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥267.00)

ISBN：	9787115005793	出版時間：	2021-01-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內容簡介

　　9787115537973 數(shù)學之美第三版 69.00 9787115553614 程序員的數(shù)學基礎課從理論到Python實踐 89.00 9787115542939 機器學習的數(shù)學 109.00《數(shù)學之美第三版》八年前，“數(shù)學之美”系列文章原刊載于谷歌黑板報，獲得上百萬次點擊，得到讀者高度評價。讀者說，讀了“數(shù)學之美”，才發(fā)現(xiàn)大學時學的數(shù)學知識，比如馬爾可夫鏈、矩陣計算，甚至余弦函數(shù)原來都如此親切，并且栩栩如生，才發(fā)現(xiàn)自然語言和信息處理這么有趣。在紙本書的創(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)學原理講得更加通俗易懂，讓非專業(yè)讀者也能領略數(shù)學的魅力。讀者通過具體的例子學到的是思考問題的方式 —— 如何化繁為簡，如何用數(shù)學去解決工程問題，如何跳出固有思維不斷去思考創(chuàng)新。本書第一版榮獲國家圖書館第八屆文津圖書獎。第二版增加了針對大數(shù)據(jù)和機器學習的內容。第三版增加了三章新內容，分別介紹當今非常熱門的三個主題：區(qū)塊鏈的數(shù)學基礎，量子通信的原理，以及人工智能的數(shù)學極限。《程序員的數(shù)學基礎課從理論到Python實踐》本書緊貼計算機領域，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)學知識，通過生動的案例來解讀知識中的難點，使程序員更容易對實際問題進行數(shù)學建模，進而構建出更優(yōu)化的算法和代碼。本書共分為三大模塊：“基礎思想”篇梳理編程中常用的數(shù)學概念和思想，既由淺入深地精講數(shù)據(jù)結構與數(shù)學中基礎、核心的數(shù)學知識，又闡明數(shù)學對編程和算法的真正意義；“概率統(tǒng)計”篇以概率統(tǒng)計中核心的貝葉斯公式為基點，向上講解隨機變量、概率分布等基礎概念，向下講解樸素貝葉斯，并分析其在生活和編程中的實際應用，使讀者真正理解概率統(tǒng)計的本質，跨越概念和應用之間的鴻溝；“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算機融會貫通以解決實際問題的。除了理論知識的闡述，本書還通過Python語言，分享了通過大量實踐積累下來的寶貴經(jīng)驗和編碼，使讀者學有所用。本書的內容從概念到應用，再到本質，層層深入，不但注重培養(yǎng)讀者養(yǎng)成良好的數(shù)學思維，而且努力使讀者的編程技術實現(xiàn)進階，非常適合希望從本質上提升編程質量的中級程序員閱讀和學習?！稒C器學習的數(shù)學》本書的目標是幫助讀者全面、系統(tǒng)地學習機器學習所必須的數(shù)學知識。全書由8章組成，力求精準、最小地覆蓋機器學習的數(shù)學知識。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，隨機過程，以及圖論。本書從機器學習的角度講授這些數(shù)學知識，對它們在該領域的應用舉例說明，使讀者對某些抽象的數(shù)學知識和理論的實際應用有直觀、具體的認識。本書內容緊湊，結構清晰，深入淺出，講解詳細?？捎米饔嬎銠C、人工智能、電子工程、自動化、數(shù)學等相關專業(yè)的教材與教學參考書。對人工智能領域的工程技術人員與產(chǎn)品研發(fā)人員，本書也有很強的參考價值。對于廣大數(shù)學與應用的數(shù)學愛好者，本書亦為適合自學的讀本。

作者簡介

　　《數(shù)學之美第三版》吳軍，學者，投資人，人工智能、語音識別和互聯(lián)網(wǎng)搜索專家。畢業(yè)于清華大學和美國約翰·霍普金斯大學，現(xiàn)任豐元資本創(chuàng)始合伙人、上海交通大學客座教授、約翰·霍普金斯大學工學院董事等職。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，他和同事一同開創(chuàng)了搜索反作弊研究領域，成立了中、日、韓文產(chǎn)品部門，設計了Google中、日、韓文搜索算法，領導了Google自然語言處理和自動問答等研究型項目，擁有近20項美國發(fā)明專利。在騰訊公司，他負責了搜索、搜索廣告和街景地圖等項目。作為風險投資人，他成功地投資了150家硅谷和中國的高科技企業(yè)。吳軍博士對科技產(chǎn)業(yè)有深入的研究，是當今硅谷地區(qū)解讀IT產(chǎn)業(yè)的專家。吳軍博士著有《數(shù)學之美》《大學之路》《文明之光》《智能時代》《見識》《態(tài)度》和《全球科技通史》等多部暢銷書，并多次獲得包括文津獎、中國好書獎、中華優(yōu)秀出版物在內的圖書大獎?！冻绦騿T的數(shù)學基礎課從理論到Python實踐》黃申，博士，2015 年美國杰出人才，微軟學者，IBM ExtremeBlue天才計劃成員，KDD WISDOM'20主席。2006年博士畢業(yè)于上海交通大學計算機科學與工程專業(yè)，師從俞勇教授，發(fā)表過20 余篇國際論文，擁有30多項國際專利。有20多年機器學習和大數(shù)據(jù)領域的經(jīng)驗，現(xiàn)任Glassdoor機器學習資深研發(fā)經(jīng)理，曾任職于LinkedIn全球數(shù)據(jù)科學部、微軟亞洲研究院、IBM研究院、eBay中國研發(fā)中心，1號店和大潤fa飛牛網(wǎng)。著有《大數(shù)據(jù)架構和算法實現(xiàn)之路：電商系統(tǒng)的技術實戰(zhàn)》《大數(shù)據(jù)架構商業(yè)之路：從業(yè)務需求到技術方案》兩本原創(chuàng)技術圖書，并翻譯出版了《Elasticsearch實戰(zhàn)》《Python機器學習實踐指南》等技術圖書，在極客時間發(fā)表了專欄《程序員的數(shù)學基礎課》。《機器學習的數(shù)學》雷明，資深機器學習、機器視覺專家。畢業(yè)于清華大學計算機系，研究方向為機器視覺、機器學習，曾發(fā)表論文數(shù)篇?！稒C器學習-原理、算法與應用》暢銷書作者。曾任百度項目經(jīng)理；zmodo/meShare公司CTO、平臺研發(fā)中心負責人。SIGAI創(chuàng)始人，致力于研發(fā)零編程、可視化的機器視覺框架，用標準化的算法賦能各個行業(yè)。

圖書目錄

《數(shù)學之美第三版》

I 第二版序言

III 第一版序言

VI 第三版前言

1 第 1章文字和語言 vs 數(shù)字和信息

15 第 2章自然語言處理——從規(guī)則到統(tǒng)計

27 第3章統(tǒng)計語言模型

41 第4章談談分詞

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)代語言處理

82 第8章簡單之美——布爾代數(shù)和搜索引擎

89 第9章圖論和網(wǎng)絡爬蟲

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

104 第 11章如何確定網(wǎng)頁和查詢的相關性

111 第 12章有限狀態(tài)機和動態(tài)規(guī)劃——地圖與本地搜索的核心技術

121 第 13章 Google AK-47的設計者——阿米特.辛格博士

127 第 14章余弦定理和新聞的分類

136 第 15章矩陣運算和文本處理中的兩個分類問題

142 第 16章信息指紋及其應用

153 第 17章由電視劇《暗算》所想到的——談談密碼學的數(shù)學原理

162 第 18章閃光的不一定是金子——談談搜索引擎反作弊問題和搜索結果的quan威性問題

171 第 19章談談數(shù)學模型的重要性

179 第 20章不要把雞蛋放到一個籃子里——談談Z大熵模型

186 第 21章拼音輸入法的數(shù)學原理

197 第 22章自然語言處理的教父馬庫斯和他的優(yōu)秀弟子們

204 第 23章布隆過濾器

209 第 24章馬爾可夫鏈的擴展——貝葉斯網(wǎng)絡

217 第 25章條件隨機場、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章各個擊破算法和Google云計算的基礎

254 第30章 Google大腦和人工神經(jīng)網(wǎng)絡

274 第31章區(qū)塊鏈的數(shù)學基礎——橢圓曲線加密原理

282 第32章大數(shù)據(jù)的威力——談談數(shù)據(jù)的重要性

304 第33章隨機性帶來的好處——量子密鑰分發(fā)的數(shù)學原理

312 第34章數(shù)學的極限——希爾伯特第十問題和機器智能的極限

323 附錄計算復雜度

327 第三版后記

333 索引

《程序員的數(shù)學基礎課從理論到Python實踐》
第一篇基礎思想 1

第 1章二進制、余數(shù)和布爾代數(shù) 2

1.1 二進制 2

1.2 余數(shù) 15

1.3 布爾代數(shù) 19

第 2章迭代、數(shù)學歸納和遞歸 30

2.1 迭代法 30

2.2 數(shù)學歸納法 37

2.3 遞歸 41

2.4 迭代法、數(shù)學歸納法和遞歸的關聯(lián) 56

第3章排列、組合和動態(tài)規(guī)劃 58

3.1 排列 58

3.2 組合 62

3.3 動態(tài)規(guī)劃 65

第4章樹和圖 74

4.1 圖和樹的概念 74

4.2 樹的常見應用 77

4.3 樹的深度優(yōu)先搜索和遍歷 83

4.4 樹和圖的廣度優(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)學思維 126

5.1 數(shù)據(jù)結構、編程語言和基礎算法 126

5.2 算法復雜度分析 129

第二篇概率統(tǒng)計 138

第6章概率和統(tǒng)計基礎 139

6.1 概論和統(tǒng)計對于編程的意義 139

6.2 隨機變量、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章馬爾可夫過程 181

8.1 語言模型 181

8.2 語言模型的應用 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 通過信息增益進行決策 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)計意義 217

10.3 擬合、欠擬合和過擬合及其處理 229

第三篇線性代數(shù) 235

第 11章線性代數(shù)基礎 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章對象間關系的刻畫——矩陣 267

13.1 PageRank的矩陣實現(xiàn) 267

13.2 用矩陣實現(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 311

16.1 神經(jīng)網(wǎng)絡的基本原理 311

16.2 基于TensorFlow的實現(xiàn) 317

16.3 Word2Vec 327

《機器學習的數(shù)學》
第 1 章一元函數(shù)微積分1

1.1　極限與連續(xù)　1

1.2　導數(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　向量及其運算　49

2.2　矩陣及其運算　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　偏導數(shù)　133

3.2　梯度與方向導數(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　150

3.6　微分算法　156

3.7　泰勒公式　159

3.8　多重積分　161

3.9　無窮級數(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)化問題　198

4.6　帶約束的優(yōu)化問題　202

4.7　多目標優(yōu)化問題　213

4.8　泛函極值與變分法　216

4.9　目標函數(shù)的構造　221

第5　章概率論228

5.1　隨機事件與概率　229

5.2　隨機變量　236

5.4　分布變換　254

5.5　隨機向量　258

5.6　極限定理　271

5.7　參數(shù)估計　273

5.8　隨機算法　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　326

第7　章隨機過程328

7.1　馬爾可夫過程　328

7.2　馬爾可夫鏈采樣算法　348

7.3　高斯過程　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