这本书的目标是介绍自动微分的基本算法,以及流行的数学和统计函数的自动微分规则的百科全书式的集合。

自动微分是一种通用的技术,用于将函数的计算值转换为可计算导数的值。导数计算只给用于计算函数值的每个操作增加一个常数的开销,因此可微函数与原始函数具有相同的复杂度阶数。在描述了自动微分的标准形式之后,这本书提供了一个百科全书收集的正切和伴随规则的前向模式和后向模式自动微分,涵盖了最广泛使用的标量,向量,矩阵和概率函数。附录包含正向模式、反向模式和混合模式自动区分的工作示例代码。

成为VIP会员查看完整内容
0
46

相关内容

从设计和原型设计到测试、部署和维护,Python在许多方面都很有用,它一直是当今最流行的编程语言之一。这本实用的书的第三版提供了对语言的快速参考——包括Python 3.5、2.7和3.6的突出部分——它庞大的标准库中常用的区域,以及一些最有用的第三方模块和包。

本书非常适合具有一些Python经验的程序员,以及来自其他编程语言的程序员,它涵盖了广泛的应用领域,包括web和网络编程、XML处理、数据库交互和高速数字计算。了解Python如何提供优雅、简单、实用和强大功能的独特组合。

这个版本包括:

  • Python语法、面向对象的Python、标准库模块和第三方Python包
  • Python对文件和文本操作、持久性和数据库、并发执行和数值计算的支持
  • 网络基础、事件驱动编程和客户端网络协议模块
  • Python扩展模块,以及用于打包和分发扩展、模块和应用程序的工具
成为VIP会员查看完整内容
0
105

作为布尔逻辑的替代

虽然逻辑是理性推理的数学基础和计算的基本原理,但它仅限于信息既完整又确定的问题。然而,许多现实世界的问题,从金融投资到电子邮件过滤,本质上是不完整或不确定的。概率论和贝叶斯计算共同提供了一个处理不完整和不确定数据的框架。

不完全和不确定数据的决策工具和方法

贝叶斯编程强调概率是布尔逻辑的替代选择,它涵盖了为真实世界的应用程序构建概率程序的新方法。本书由设计并实现了一个高效概率推理引擎来解释贝叶斯程序的团队编写,书中提供了许多Python示例,这些示例也可以在一个补充网站上找到,该网站还提供了一个解释器,允许读者试验这种新的编程方法。

原则和建模

只需要一个基本的数学基础,本书的前两部分提出了一种新的方法来建立主观概率模型。作者介绍了贝叶斯编程的原理,并讨论了概率建模的良好实践。大量简单的例子突出了贝叶斯建模在不同领域的应用。

形式主义和算法

第三部分综合了已有的贝叶斯推理算法的工作,因为需要一个高效的贝叶斯推理引擎来自动化贝叶斯程序中的概率演算。对于想要了解贝叶斯编程的形式主义、主要的概率模型、贝叶斯推理的通用算法和学习问题的读者,本文提供了许多参考书目。

常见问题

第四部分连同词汇表包含了常见问题的答案。作者比较了贝叶斯规划和可能性理论,讨论了贝叶斯推理的计算复杂性,讨论了不完全性的不可约性,讨论了概率的主观主义和客观主义认识论。

贝叶斯计算机的第一步

创建一个完整的贝叶斯计算框架需要新的建模方法、新的推理算法、新的编程语言和新的硬件。本书着重于方法论和算法,描述了实现这一目标的第一步。它鼓励读者探索新兴领域,例如仿生计算,并开发新的编程语言和硬件架构。

成为VIP会员查看完整内容
0
117

简单易懂,读起来很有趣,介绍Python对于初学者和语言新手都是理想的。作者Bill Lubanovic带您从基础知识到更复杂和更多样的主题,混合教程和烹饪书风格的代码配方来解释Python 3中的概念。章节结尾的练习可以帮助你练习所学的内容。

您将获得该语言的坚实基础,包括测试、调试、代码重用和其他开发技巧的最佳实践。本书还向您展示了如何使用各种Python工具和开放源码包将Python用于商业、科学和艺术领域的应用程序。

  • 学习简单的数据类型,以及基本的数学和文本操作
  • 在Python的内置数据结构中使用数据协商技术
  • 探索Python代码结构,包括函数的使用
  • 用Python编写大型程序,包括模块和包
  • 深入研究对象、类和其他面向对象的特性
  • 检查从平面文件到关系数据库和NoSQL的存储
  • 使用Python构建web客户机、服务器、api和服务
  • 管理系统任务,如程序、进程和线程
  • 了解并发性和网络编程的基础知识

成为VIP会员查看完整内容
0
105

通过机器学习的实际操作指南深入挖掘数据

机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例,用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析,解释了它是如何工作的,以及如何在特定的行业中使用它,允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注,对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料,以方便在课堂上使用,使这一资源有用的学生和作为一个专业的参考。

机器学习的核心是一种基于数学和算法的技术,它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识,它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的,全面的指导,为非数学家,提供明确的指导,让读者:

  • 学习机器学习的语言,包括Hadoop、Mahout和Weka
  • 了解决策树、贝叶斯网络和人工神经网络
  • 实现关联规则、实时和批量学习
  • 为安全、有效和高效的机器学习制定战略计划

通过学习构建一个可以从数据中学习的系统,读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心,随着企业发现隐藏在现有数据中的金矿,这一领域的需求越来越大。对于涉及数据科学的技术专业人员,机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。

成为VIP会员查看完整内容
0
86

概率图模型是机器学习中的一种技术,它使用图论的概念来简明地表示和最佳地预测数据问题中的值。

图模型为我们提供了在数据中发现复杂模式的技术,广泛应用于语音识别、信息提取、图像分割和基因调控网络建模等领域。

这本书从概率论和图论的基础开始,然后继续讨论各种模型和推理算法。所有不同类型的模型都将与代码示例一起讨论,以创建和修改它们,并在它们上运行不同的推理算法。有一整章是关于朴素贝叶斯模型和隐马尔可夫模型的。这些模型已经通过实际例子进行了详细的讨论。

你会学到什么

  • 掌握概率论和图论的基本知识
  • 使用马尔可夫网络
  • 实现贝叶斯网络
  • 图模型中的精确推理技术,如变量消除算法
  • 了解图模型中的近似推理技术,如消息传递算法

图模型中的示例算法 通过真实的例子来掌握朴素贝叶斯的细节 使用Python中的各种库部署PGMs 获得隐马尔可夫模型的工作细节与现实世界的例子

详细 概率图模型是机器学习中的一种技术,它使用图论的概念来简洁地表示和最佳地预测数据问题中的值。在现实问题中,往往很难选择合适的图模型和合适的推理算法,这对计算时间和精度有很大的影响。因此,了解这些算法的工作细节是至关重要的。

这本书从概率论和图论的基础开始,然后继续讨论各种模型和推理算法。所有不同类型的模型都将与代码示例一起讨论,以创建和修改它们,并在它们上运行不同的推理算法。有一个完整的章节专门讨论最广泛使用的网络朴素贝叶斯模型和隐马尔可夫模型(HMMs)。这些模型已经通过实际例子进行了详细的讨论。

风格和方法 一个易于遵循的指南,帮助您理解概率图模型使用简单的例子和大量的代码例子,重点放在更广泛使用的模型。

成为VIP会员查看完整内容
0
113

本备忘单是机器学习手册的浓缩版,包含了许多关于机器学习的经典方程和图表,旨在帮助您快速回忆起机器学习中的知识和思想。

这个备忘单有两个显著的优点:

  1. 清晰的符号。数学公式使用了许多令人困惑的符号。例如,X可以是一个集合,一个随机变量,或者一个矩阵。这是非常混乱的,使读者很难理解数学公式的意义。本备忘单试图规范符号的使用,所有符号都有明确的预先定义,请参见小节。

  2. 更少的思维跳跃。在许多机器学习的书籍中,作者省略了数学证明过程中的一些中间步骤,这可能会节省一些空间,但是会给读者理解这个公式带来困难,读者会在中间迷失。

成为VIP会员查看完整内容
0
135

在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新,其中包含了大量的实际案例研究,向您展示了如何有效地解决广泛的数据分析问题。在这个过程中,您将学习最新版本的panda、NumPy、IPython和Jupyter。

本书由Python panda项目的创建者Wes McKinney编写,是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说,它是理想的。数据文件和相关材料可以在GitHub上找到。

  • 使用IPython外壳和Jupyter笔记本进行探索性计算
  • 学习NumPy (Numerical Python)中的基本和高级特性
  • 开始使用pandas库的数据分析工具
  • 使用灵活的工具来加载、清理、转换、合并和重塑数据
  • 使用matplotlib创建信息可视化
  • 应用panda groupby工具对数据集进行切片、切割和汇总
  • 分析和处理有规律和不规则的时间序列数据
  • 学习如何解决现实世界的数据分析问题与彻底的,详细的例子
成为VIP会员查看完整内容
0
85

简介: 深度学习无处不在。例如,当在线使用许多应用程序甚至在购物时,都会看到它。我们被深度学习所包围,甚至根本没有意识到这一点,这使学习深度学习变得至关重要,因为可以利用它做很多事情,这远远超出了您的想象。当您学习本书时,您可以在Mac,Linux或Windows系统上运行的许多示例代码。您也可以使用Google Colab之类的工具在线运行代码。 本书的第一部分为您提供了一些入门信息,除了安装一些必备软件,还会了解一些基本数学知识。

目录:

  • 说明

  • Chapter 1:深度学习介绍

    • 深度学习的意义
    • 真实世界中的深度学习
    • 深度学习项目的环境
  • Chapter 2:机器学习介绍

    • 机器学习定义
    • 思考学习的不同方法
    • 机器学习的正确使用
  • Chapter 3:使用python

    • anaconda
    • 下载数据集与代码
    • 创建应用
    • 云端使用
  • chapter 4:利用深度学习看框架

    • 框架介绍
    • 了解tensorflow
  • chapter 5:回顾数学与优化

    • 矩阵介绍
    • 理解向量,scalar等
    • 优化介绍
  • chapter 6:线性回归基础

    • 组合变量
    • 混合变量类型
    • 概率
    • 特征介绍
  • chapter 7:神经网络

    • 感知机
    • 神经网络复杂度
    • 过拟合
  • Chapter 8:构建基础神经网络

    • 理解神经网络
    • 神经网络的核心
  • Chapter 9:深度学习

    • 数据
    • 提升速度
    • 解释深度学习的不同
  • Chapter 10:解释卷积神经网络

  • Chapter 11:循环神经网络

  • Chapter 12:图片分类

  • Chapter 13:循环神经网络

  • Chapter 14:语言处理

  • Chapter 15:生成音乐和虚拟艺术

  • Chapter 16:生成对抗网络

  • Chapter 17:深度强化学习

  • Chapter 18:深度学习的应用

  • Chapter 19:十个必备的深度学习工具

  • Chapter 20:十个使用深度学习的场景

成为VIP会员查看完整内容
0
114
小贴士
相关主题
相关VIP内容
专知会员服务
111+阅读 · 2020年6月24日
专知会员服务
113+阅读 · 2020年6月10日
专知会员服务
105+阅读 · 2020年5月21日
专知会员服务
117+阅读 · 2020年5月18日
专知会员服务
105+阅读 · 2020年5月17日
机器学习速查手册,135页pdf
专知会员服务
135+阅读 · 2020年3月15日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
85+阅读 · 2020年3月12日
【新书】傻瓜式入门深度学习,371页pdf
专知会员服务
114+阅读 · 2019年12月28日
相关资讯
相关论文
On Feature Normalization and Data Augmentation
Boyi Li,Felix Wu,Ser-Nam Lim,Serge Belongie,Kilian Q. Weinberger
10+阅读 · 2020年2月25日
Mamdouh Farouk
5+阅读 · 2019年10月6日
Manifold Approximation by Moving Least-Squares Projection (MMLS)
Barak Sober,David Levin
3+阅读 · 2019年3月7日
Learning to Importance Sample in Primary Sample Space
Quan Zheng,Matthias Zwicker
3+阅读 · 2018年8月23日
Felix Laumann,Kumar Shridhar,Adrian Llopart Maurin
17+阅读 · 2018年6月27日
Ndapa Nakashole,Raphael Flauger
3+阅读 · 2018年6月7日
Chenhui Chu,Rui Wang
12+阅读 · 2018年6月1日
Guillaume Klein,Yoon Kim,Yuntian Deng,Vincent Nguyen,Jean Senellart,Alexander M. Rush
3+阅读 · 2018年5月28日
Mohammadhosein Hasanbeig,Alessandro Abate,Daniel Kroening
5+阅读 · 2018年4月22日
Rémi Leblond,Jean-Baptiste Alayrac,Anton Osokin,Simon Lacoste-Julien
4+阅读 · 2018年1月29日
Top