【导读】来自苏黎世联邦理工学院的Afonso S. Bandeira教授撰写了《数据科学数学基础》新书书稿,共170页pdf。现今在许多科学领域的实验、观察和数值模拟产生了大量的数据。这种快速增长预示着“以数据为中心的科学”时代的到来,这需要新的范式来处理如何获取、处理、分布和分析数据。与此同时,人工智能的发展将给技术、科学和工业的许多领域带来革命。本课程将涵盖用于开发算法的数学模型和概念,这些算法可以处理数据科学、机器学习和人工智能带来的一些挑战。

成为VIP会员查看完整内容
0
87

相关内容

数据科学(英語:data science)是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。 它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。 数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
130

决策理论是现代人工智能和经济学的基础。本课程主要从统计学的角度,也从哲学的角度,为决策理论打下坚实的基础。本课程有两个目的:

  • 深入了解统计决策理论、实验设计的自动化方法,并将其与人类决策联系起来。
  • 通过开发算法和智能代理的实验,将该理论应用到强化学习和人工智能的实际问题中。

课程可分为两部分。

  • 第一部分,我们介绍了主观概率和效用的概念,以及如何用它们来表示和解决决策问题。然后讨论未知参数的估计和假设检验。最后,我们讨论了顺序抽样、顺序实验,以及更一般的顺序决策。

  • 第二部分是不确定性下的决策研究,特别是强化学习和专家咨询学习。首先,我们研究几个有代表性的统计模型。然后,我们给出了使用这些模型做出最优决策的算法的概述。最后,我们来看看学习如何根据专家的建议来行动的问题,这个领域最近在在线广告、游戏树搜索和优化方面有很多应用。

成为VIP会员查看完整内容
0
122

本书概述了现代数据科学重要的数学和数值基础。特别是,它涵盖了信号和图像处理(傅立叶、小波及其在去噪和压缩方面的应用)、成像科学(反问题、稀疏性、压缩感知)和机器学习(线性回归、逻辑分类、深度学习)的基础知识。重点是对方法学工具(特别是线性算子、非线性逼近、凸优化、最优传输)的数学上合理的阐述,以及如何将它们映射到高效的计算算法。

https://mathematical-tours.github.io/book/

它应该作为数据科学的数字导览的数学伴侣,它展示了Matlab/Python/Julia/R对这里所涵盖的所有概念的详细实现。

成为VIP会员查看完整内容
0
231

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
209

数学与计算为计算复杂性理论提供了一个广泛的、概念性的概述——高效计算的数学研究。计算复杂性理论在计算机科学和工业中有着重要的实际应用,它已经发展成为一个高度跨学科的领域,与大多数数学领域和越来越多的科学研究有着密切的联系。

Avi Wigderson对复杂性理论进行了全面的研究,强调了该领域的洞察力和挑战。他解释了导致关键模型、概念和结果的想法和动机。特别是,他研究了算法和复杂性,计算和证明,随机性和相互作用,量子和算术计算,密码学和学习,所有这些都是一个紧密结合的整体的一部分,有许多相互影响。威格德森阐述了这一领域的广阔,它的美丽和丰富,以及它与数学其他领域的多样化和日益增长的相互作用。最后,他全面介绍了计算理论、计算方法和愿望,以及它在塑造和将进一步塑造科学、技术和社会方面的独特而基本的方式。为进一步阅读,广泛的参考书目提供了所有的主题。

数学与计算对于数学、计算机科学及相关领域的本科生和研究生,以及这些领域的研究人员和教师都很有用。许多部分只需要很少的背景知识,对于那些想要了解计算理论的新手来说,这是一种邀请。

  • 计算复杂性理论的全面覆盖,并超越
  • 高层次,直观的阐述,这带来概念的清晰度,这一中心和动态的科学学科
  • 中心概念和模型的演化和动机的历史记录
  • 概观计算理论对科学、技术和社会的影响
  • 广泛的参考书目

Avi Wigderson是新泽西州普林斯顿高等研究院数学学院的Herbert H. Maass教授。

成为VIP会员查看完整内容
0
59

简介: Python作为目前受欢迎的语言之一,越来越多的人成为Pythoner,这本书不仅仅是一本Python说明书,该书基于Python3.7。 Python中的经典计算机科学问题可以使用经过时间验证的方案,练习和算法来提高您的CS解决问题的能力。看起来很新或独特的计算机科学问题通常源于经典算法,编码技术和工程原理。并且经典方法仍然是解决它们的最佳方法!通过对本书的学习,将解决许多编码难题,从简单的任务(如二进制搜索算法)到使用k-means进行数据聚类。该书主要包括:

  • 搜索算法
  • 图的常用技术
  • 神经网络
  • 遗传算法
  • 对抗搜索
  • 使用类型提示
  • 涵盖Python 3.7

目录:

  • 简介
  • 小问题
  • 搜索问题
  • 约束满足问题
  • 图问题
  • 遗传算法
  • K均值聚类
  • 简单的神经网络
  • 对抗搜索
  • 其他问题

作者介绍: David Kopec是位于佛蒙特州伯灵顿的尚普兰学院的计算机科学与创新助理教授。他是一个有经验的软件开发者.

成为VIP会员查看完整内容
0
111

题目: Machine learning and the physical sciences

摘要:

机器学习(ML)包含广泛的算法和建模工具,用于大量的数据处理任务,这些任务近年来已经进入大多数科学学科。本文有选择地回顾了机器学习与物理科学接口的最新研究进展。这包括由物理洞察力驱动的ML的概念发展,机器学习技术在物理中的几个领域的应用以及这两个领域之间的交叉。在介绍了机器学习方法和原理的基本概念之后,举例说明了如何用统计物理来理解ML中的方法,然后介绍了ML方法在粒子物理和宇宙学、量子多体物理、量子计算、化学和材料物理中的应用。此外,还强调了针对加速ML的新型计算体系结构的研究和开发。每个部分都描述了最近的成功以及特定领域的方法和挑战。

作者简介:

Giuseppe Carleo于2018年加入了位于美国计算量子物理中心的Flatiron研究所。2007年,他在罗马大学获得物理学学士学位;2011年,他在意大利国际高等研究学院获得凝聚态理论博士学位。他在法国光学研究所和瑞士苏黎世联邦理工学院获得博士后。他也是苏黎世联邦理工学院计算量子物理学的讲师。Carleo的主要研究方向是发展先进的数值算法来研究强相互作用量子系统的挑战性问题。他的研究应用范围包括凝聚态物质、超冷原子和量子计算。他对量子蒙特卡罗方法的发展做出了贡献,包括平衡和动态特性,包括时变蒙特卡罗和神经网络量子态。在CCQ,他正在开发和推广基于人工智能的新技术来解决量子问题。他是开源项目NetKet的创始人和开发负责人。

成为VIP会员查看完整内容
0
30

图灵奖获得者Judea Pearl在Twitter推荐了一本新书《图模型手册》,他认为,这本书很好地刻写了图模型领域自20世纪80年代成立以来是如何发展的。由顶级统计学家编写,它可以作为传统统计学家很好的一个介绍因果模型的材料。这本书总共546页pdf,由苏黎世联邦理工学院、华盛顿大学、加州伯克利分校、哥本哈根大学四位教授主编,以及有30多位统计学家合作编著完成。

成为VIP会员查看完整内容
0
57
小贴士
相关VIP内容
专知会员服务
130+阅读 · 2020年5月2日
专知会员服务
231+阅读 · 2020年3月23日
机器学习速查手册,135页pdf
专知会员服务
209+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
124+阅读 · 2020年3月12日
【新书】Python中的经典计算机科学问题,224页pdf
专知会员服务
111+阅读 · 2019年12月28日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
29+阅读 · 2019年9月24日
相关论文
Do RNN and LSTM have Long Memory?
Jingyu Zhao,Feiqing Huang,Jia Lv,Yanjie Duan,Zhen Qin,Guodong Li,Guangjian Tian
16+阅读 · 2020年6月10日
Aidan Hogan,Eva Blomqvist,Michael Cochez,Claudia d'Amato,Gerard de Melo,Claudio Gutierrez,José Emilio Labra Gayo,Sabrina Kirrane,Sebastian Neumaier,Axel Polleres,Roberto Navigli,Axel-Cyrille Ngonga Ngomo,Sabbir M. Rashid,Anisa Rula,Lukas Schmelzeisen,Juan Sequeda,Steffen Staab,Antoine Zimmermann
79+阅读 · 2020年3月4日
Fang Liu,Guoming Tang,Youhuizi Li,Zhiping Cai,Xingzhou Zhang,Tongqing Zhou
19+阅读 · 2019年11月7日
Anna Breger,Jose Ignacio Orlando,Pavol Harar,Monika Dörfler,Sophie Klimscha,Christoph Grechenig,Bianca S. Gerendas,Ursula Schmidt-Erfurth,Martin Ehler
3+阅读 · 2019年1月22日
Taking Human out of Learning Applications: A Survey on Automated Machine Learning
Quanming Yao,Mengshuo Wang,Yuqiang Chen,Wenyuan Dai,Hu Yi-Qi,Li Yu-Feng,Tu Wei-Wei,Yang Qiang,Yu Yang
10+阅读 · 2019年1月17日
Joaquin Vanschoren
116+阅读 · 2018年10月8日
Yang Deng,Yaliang Li,Nan Du,Wei Fan,Ying Shen,Kai Lei
4+阅读 · 2018年9月27日
The Vadalog System: Datalog-based Reasoning for Knowledge Graphs
Luigi Bellomarini,Georg Gottlob,Emanuel Sallinger
5+阅读 · 2018年7月23日
Avik Ray,Joe Neeman,Sujay Sanghavi,Sanjay Shakkottai
3+阅读 · 2018年2月24日
Ting-Hao 'Kenneth' Huang,Joseph Chee Chang,Jeffrey P. Bigham
6+阅读 · 2018年1月10日
Top