數(shù)據(jù)之本：人工智能的數(shù)學基礎

定　價：￥168.00

作　者：	于江生
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥159.60)

ISBN：	9787302627357	出版時間：	2024-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內容簡介

　　統(tǒng)計學是在概率論基礎上發(fā)展起來的一門應用數(shù)學的學問。在自然科學、工程學、社會學、人文學、軍事學等諸多應用領域，凡是涉及數(shù)據(jù)的收集、處理、分析、可視化和解釋等方面的問題，都是統(tǒng)計學大顯身手的舞臺。統(tǒng)計學既是應用數(shù)學的一個分支，又是一門推斷的藝術，其中不乏有哲學思辯和信念差異。來自不同學派的觀點相互碰撞，使得統(tǒng)計學在二十世紀飛速發(fā)展。今天，借助計算機的幫助，人們可以從各個角度探索數(shù)據(jù)的本質。然而，我們仍需時刻提醒自己，在算力之上，精巧的算法永遠重要。本書延續(xù)了《隨機之美》的寫作風格，以二十世紀最偉大的兩位統(tǒng)計學家羅納德·艾爾默·費舍爾和耶澤·內曼為故事的主角，介紹了現(xiàn)代統(tǒng)計學的一些主要成果。這兩位統(tǒng)計學大師同屬頻率派，均為貝葉斯主義的反對者，然而二人之間也有過很多饒有趣味的學術之爭，至今對我們仍有啟發(fā)。二十一世紀是人工智能和大數(shù)據(jù)的時代，統(tǒng)計學和計算機科學應該如何結合才能互惠互利？如何站在人工智能的角度看待數(shù)據(jù)和數(shù)據(jù)分析？還有很多統(tǒng)計應用的問題值得我們深思。作者希望通過此書喚起普通讀者對統(tǒng)計學的興趣，用它去推動人工智能、大數(shù)據(jù)分析的發(fā)展。這本書也是統(tǒng)計機器學習的入門，幫助讀者從經(jīng)典統(tǒng)計學順利過渡到這個新興領域。

作者簡介

　　于江生，應用數(shù)學博士，曾在北京大學、堪薩斯大學、韋恩州立大學工作多年。主要研究方向是人工智能、統(tǒng)計機器學習、貝葉斯數(shù)據(jù)分析、計算語言學、圖像處理、生物信息學等。曾任華為2012泊松實驗室主任、人工智能與機器學習首席科學家，現(xiàn)任 Futurewei 首席科學家。

圖書目錄

第一部分統(tǒng)計學歷史背景
第 1 章費舍爾和內曼的學術成就 3
1.1 費舍爾生平 11
1.1.1 費舍爾的主要著作 13
1.1.2 費舍爾的統(tǒng)計思想 16
1.2 內曼生平 22
1.2.1 內曼的置信區(qū)間與假設檢驗 24
1.2.2 內曼的歸納行為 .26
第 2 章數(shù)理統(tǒng)計學簡史 31
2.1 20 世紀前的統(tǒng)計學 .33
2.2 20 世紀上半葉的統(tǒng)計學 35
2.3 20 世紀下半葉的統(tǒng)計學 36
2.4 21 世紀的統(tǒng)計學 38
2.5 推薦讀物 42
第二部分經(jīng)典統(tǒng)計學
第 3 章統(tǒng)計學的一些基本概念 45
3.1 樣本的特征 49
3.1.1 次序統(tǒng)計量 55
3.1.2 經(jīng)驗分布及其性質 60
3.1.3 樣本矩及其極限分布 67
3.2 樣本統(tǒng)計量及其性質 69
3.2.1 統(tǒng)計量的抽樣分布 71
3.2.2 重抽樣和自助法. 76
3.2.3 統(tǒng)計量的充分性 .79
第 4 章參數(shù)估計理論 84
4.1 點估計及其優(yōu)良性 92
4.1.1 相合性與漸近正態(tài)性 96
4.1.2 有效性 100
4.1.3 折刀法 105
4.1.4 點估計之矩方法和最大似然法 107
4.2 內曼置信區(qū)間估計 120
4.2.1 基于馬爾可夫不等式的區(qū)間估計 122
4.2.2 樞軸量法 124
4.2.3 大樣本區(qū)間估計 128
4.2.4 費舍爾的信任估計 132
第 5 章假設檢驗 137
5.1 內曼-皮爾遜假設檢驗理論 .145
5.1.1 功效函數(shù)與兩類錯誤的概率 151
5.1.2 內曼-皮爾遜基本引理與似然比檢驗 157
5.1.3 廣義似然比檢驗 163
5.1.4 假設檢驗與置信區(qū)間估計的關系 169
5.2 大樣本檢驗 173
5.2.1 擬合優(yōu)度檢驗 177
5.2.2 獨立性的列聯(lián)表檢驗 184
第 6 章回歸分析與方差分析 188
6.1 線性回歸模型 193
6.1.1 最小二乘估計 194
6.1.2 線性回歸的若干性質 200
6.1.3 回歸模型的假設檢驗 203
6.1.4 正交多項式回歸 205
6.1.5 貝葉斯線性回歸 211
6.1.6 對數(shù)率回歸 214
6.2 方差分析模型 219
6.2.1 單因素方差分析 223
6.2.2 兩因素方差分析 225
第三部分現(xiàn)代統(tǒng)計學
第 7 章多元統(tǒng)計分析簡介 235
7.1 核方法及其在回歸上的應用 243
7.1.1 核函數(shù)的性質 246
7.1.2 基于最優(yōu)化的核線性回歸 247
7.1.3 貝葉斯核線性回歸 252
7.2 特征工程 255
7.2.1 主成分分析 260
7.2.2 因子分析 270
7.2.3 獨立成分分析 278
7.2.4 多維縮放與等距映射 284
7.2.5 局部嵌入的降維 288
7.2.6 塔克分解 294
7.3 聚類 301
7.3.1 層級聚類 303
7.3.2 k-均值聚類 307
7.4 分類 310
7.4.1 近鄰法 323
7.4.2 決策樹 327
7.4.3 費舍爾線性判別分析 339
7.4.4 支持向量機 344
7.4.5 基于高斯過程的分類 348
7.4.6 人工神經(jīng)網(wǎng)絡 350
第 8 章期望最大化算法 362
8.1 完全數(shù)據(jù)與最大似然估計 366
8.1.1 EM 算法及其收斂速度 367
8.1.2 指數(shù)族的 EM 算法 370
8.2 期望最大化算法的應用 373
8.2.1 分支個數(shù)已知的高斯混合模型 375
8.2.2 針對刪失數(shù)據(jù)的 EM 算法 378
8.2.3 概率潛在語義分析 381
8.3 數(shù)據(jù)增擴算法與缺失數(shù)據(jù)分析 385
8.3.1 經(jīng)典的數(shù)據(jù)增擴算法 386
8.3.2 窮人的數(shù)據(jù)增擴算法 392
第 9 章時間序列分析初步 397
9.1 時間序列模型 405
9.1.1 ARMA 模型 408
9.1.2 樣本（偏）自相關函數(shù). 419
9.1.3 經(jīng)典分解模型 422
9.2 預測與估計 428
9.2.1 指數(shù)平滑 433
9.2.2 最佳線性預測 435
9.2.3 ARMA 模型的估計 441
9.3 隱馬爾可夫模型及算法 445
9.3.1 隱馬爾可夫模型 449
9.3.2 概率有限狀態(tài)轉換器 452
9.3.3 觀測序列的概率：向前算法與向后算法 456
9.3.4 狀態(tài)序列的概率：維特比算法 460
9.3.5 模型參數(shù)的估計：鮑姆-韋爾奇算法 462
9.4 狀態(tài)空間模型與卡爾曼濾波 466
9.4.1 狀態(tài)的最佳線性估計 471
9.4.2 參數(shù)估計 477
第四部分附錄
附錄 A 軟件 R、Maxima 和 GnuPlot 簡介 483
A.1 R：最好的統(tǒng)計軟件 483
A.2 Maxima：符號計算的未來之路 485
A.3 GnuPlot：強大的函數(shù)繪圖工具 .490
附錄 B 一些常用的最優(yōu)化方法 491
B.1 梯度下降法. 494
B.2 高斯-牛頓法 495
B.3 拉格朗日乘子法 497
B.4 非線性優(yōu)化方法 500
B.5 隨機最優(yōu)化 502
附錄 C 核密度估計 504
附錄 D 再生核希爾伯特空間 508
D.1 希爾伯特空間 511
D.2 內積矩陣與距離矩陣 514
D.3 核函數(shù)的判定條件 515
附錄 E 張量分析淺嘗 520
E.1 張量的定義. 523
E.2 張量的代數(shù)運算 526
E.3 張量場 528
E.4 曲線坐標 531
附錄 F 參考文獻 536
附錄 G 符號表 544
附錄 H 名詞索引 546
H.1 術語索引 546
H.2 人名索引 557