概率论与数理统计是数学的一个有特色且又十分活跃的分支,一方面,它有别开生面的研究课题,有自己独特的概念和方法,内容丰富,结果深刻;另一方面,它与其他学科又有紧密的联系,是近代数学的重要组成部分。由于它近年来突飞猛进的发展与应用的广泛性,目前已发展成为一门独立的一级学科。概率论与数理统计的理论与方法已广泛应用于工业、农业、军事和科学技术中,如预测和滤波应用于空间技术和自动控制,时间序列分析应用于石油勘测和经济管理,马尔科夫过程与点过程统计分析应用于地震预测等,同时他又向基础学科、工科学科渗透,与其他学科相结合发展成为边缘学科,这是概率论与数理统计发展的一个新趋势。 (孔繁亮)

VIP内容

前言

这是一本面向人工智能,特别是深度学习初学者的书,本书旨在帮助更多的读者朋友了 解、喜欢并进入到人工智能行业中来,因此作者试图从分析人工智能中的简单问题入手,一 步步地提出设想、分析方案以及实现方案,重温当年科研工作者的发现之路,让读者身临其 境式的感受算法设计思想,从而掌握分析问题、解决问题的能力。这种方式也是对读者的基 础要求较少的,读者在学习本书的过程中会自然而然地了解算法的相关背景知识,避免出现 为了学习而学习的窘境。

尽管作者试图将读者的基础要求降到最低,但是人工智能不可避免地需要使用正式化的 数学符号推导,其中涉及到少量的概率与统计、线性代数、微积分等数学知识,一般要求读 者对这些数学知识有初步印象或了解即可。比起理论基础,读者需要有少量的编程经验,特 别是 Python 语言编程经验,显得更加重要,因为本书更侧重于实用性,而不是堆砌公式。 总的来说,本书适合于大学三年级左右的理工科本科生和研究生,以及其它对人工智能算法 感兴趣的朋友。

本书共 15 章,大体上可分为 4 个部份:第 1~3 章为第 1 部分,主要介绍人工智能的初 步认知,并引出相关问题;第 4~5 章为第 2 部分,主要介绍 TensorFlow 相关基础,为后续 算法实现铺垫;第 6~9 章为第 3 部分,主要介绍神经网络的核心理论和共性知识,让读者理 解深度学习的本质;第 10~15 章为模型算法应用部分,主要介绍常见的算法与模型,让读者 能够学有所用。

在本书中编写时,很多英文词汇尚无法在业界找到一个共识翻译名,因此作者备注翻译 的英文原文,供读者参考,同时也方便读者日后阅读相关英文文献时,不至于感到陌生。 尽管每天都有深度学习相关算法论文的发布,但是作者相信,深度学习的核心思想和基 础理论是共通的。本书已尽可能地涵盖其中基础、主流并且前沿的算法知识,但是仍然有很 多算法无法涵盖,读者学习完本书后,可以自行搜索相关方向的研究论文或资料,进一步学 习。

深度学习是一个非常前沿和广袤的研究领域,鲜有人士能够对每一个研究方向都有深刻 的理解。作者自认才疏学浅,略懂皮毛,同时也限于时间和篇幅关系,难免出现理解偏差和 错缪之处,若能大方指出,作者将及时修正,不胜感激。

成为VIP会员查看完整内容
0
90

最新论文

One of the most widely known and important applications of probability and statistics is scientific polling to forecast election results. In 1936, Gallup predicted correctly the victory of Roosevelt over Landon in the US presidential election, using scientific sampling of a few thousand persons, whereas the Literary Digest failed using 2.4 million answers to 10 million mailed questionnaires to automobile and telephone owners. Since then, polls have grown to be a multibillion flourishing and very influential and important industry, spreading around the world. Polls have mostly been accurate in the US presidential elections, with a few exceptions. Their two most notable failures were their wrong predictions of the US 1948 and 2016 presidential elections. Most polls failed too in the 2016 UK Referendum, in the 2014 and 2019 India Lok Sabha elections, and in the US 2020 presidential election, even though in the latter three they did predict the winner. We discuss these polls in the present paper. The failure in 1948 was due to non-random sampling. In 2016 and 2020 it was mainly due to the problem of non-response and possible biases of the pollsters. In 2014 and 2019 it was due to non-response and political biases of the polling agencies and news outlets that produced the polls.

0
0
下载
预览
父主题
Top