书籍详情
程序员数学修炼三剑客：数学之美 第三版+程序员的数学基础课+机器学习的数学（套装共3册）
作者：吴军，黄申，雷明 著
出版社：人民邮电出版社
出版时间：2021-01-01
ISBN：9787115005793
定价：¥267.00
购买这本书可以去
内容简介
9787115537973 数学之美 第三版 69.00 9787115553614 程序员的数学基础课 从理论到Python实践 89.00 9787115542939 机器学习的数学 109.00《数学之美 第三版》 八年前，“数学之美”系列文章原刊载于谷歌黑板报，获得上百万次点击，得到读者高度评价。读者说，读了“数学之美”，才发现大学时学的数学知识，比如马尔可夫链、矩阵计算，甚至余弦函数原来都如此亲切，并且栩栩如生，才发现自然语言和信息处理这么有趣。在纸本书的创作中，作者几乎把所有文章都重写了一遍，为的是把高深的数学原理讲得更加通俗易懂，让非专业读者也能领略数学的魅力。读者通过具体的例子学到的是思考问题的方式 —— 如何化繁为简，如何用数学去解决工程问题，如何跳出固有思维不断去思考创新。本书第一版荣获国家图书馆第八届文津图书奖。第二版增加了针对大数据和机器学习的内容。第三版增加了三章新内容，分别介绍当今非常热门的三个主题：区块链的数学基础，量子通信的原理，以及人工智能的数学极限。 《程序员的数学基础课 从理论到Python实践》 本书紧贴计算机领域，从程序员的需求出发，精心挑选了程序员真正用得上的数学知识，通过生动的案例来解读知识中的难点，使程序员更容易对实际问题进行数学建模，进而构建出更优化的算法和代码。本书共分为三大模块：“基础思想”篇梳理编程中常用的数学概念和思想，既由浅入深地精讲数据结构与数学中基础、核心的数学知识，又阐明数学对编程和算法的真正意义；“概率统计”篇以概率统计中核心的贝叶斯公式为基点，向上讲解随机变量、概率分布等基础概念，向下讲解朴素贝叶斯，并分析其在生活和编程中的实际应用，使读者真正理解概率统计的本质，跨越概念和应用之间的鸿沟；“线性代数”篇从线性代数中的核心概念向量、矩阵、线性方程入手，逐步深入分析这些概念是如何与计算机融会贯通以解决实际问题的。除了理论知识的阐述，本书还通过Python语言，分享了通过大量实践积累下来的宝贵经验和编码，使读者学有所用。 本书的内容从概念到应用，再到本质，层层深入，不但注重培养读者养成良好的数学思维，而且努力使读者的编程技术实现进阶，非常适合希望从本质上提升编程质量的中级程序员阅读和学习。《机器学习的数学》 本书的目标是帮助读者全面、系统地学习机器学习所必须的数学知识。全书由8章组成，力求精准、最小地覆盖机器学习的数学知识。包括微积分，线性代数与矩阵论，Z优化方法，概率论，信息论，随机过程，以及图论。本书从机器学习的角度讲授这些数学知识，对它们在该领域的应用举例说明，使读者对某些抽象的数学知识和理论的实际应用有直观、具体的认识。 本书内容紧凑，结构清晰，深入浅出，讲解详细。可用作计算机、人工智能、电子工程、自动化、数学等相关专业的教材与教学参考书。对人工智能领域的工程技术人员与产品研发人员，本书也有很强的参考价值。对于广大数学与应用的数学爱好者，本书亦为适合自学的读本。
作者简介
《数学之美 第三版》 吴军，学者，投资人，人工智能、语音识别和互联网搜索专家。毕业于清华大学和美国约翰·霍普金斯大学，现任丰元资本创始合伙人、上海交通大学客座教授、约翰·霍普金斯大学工学院董事等职。吴军博士曾作为资深研究员和副总裁分别任职于Google公司和腾讯公司。在Google公司，他和同事一同开创了搜索反作弊研究领域，成立了中、日、韩文产品部门，设计了Google中、日、韩文搜索算法，领导了Google自然语言处理和自动问答等研究型项目，拥有近20项美国发明专利。在腾讯公司，他负责了搜索、搜索广告和街景地图等项目。作为风险投资人，他成功地投资了150家硅谷和中国的高科技企业。吴军博士对科技产业有深入的研究，是当今硅谷地区解读IT产业的专家。吴军博士著有《数学之美》《大学之路》《文明之光》《智能时代》《见识》《态度》和《全球科技通史》等多部畅销书，并多次获得包括文津奖、中国好书奖、中华优秀出版物在内的图书大奖。《程序员的数学基础课 从理论到Python实践》 黄申，博士，2015 年美国杰出人才，微软学者，IBM ExtremeBlue天才计划成员，KDD WISDOM'20主席。2006年博士毕业于上海交通大学计算机科学与工程专业，师从俞勇教授，发表过20 余篇国际论文，拥有30多项国际专利。有20多年机器学习和大数据领域的经验，现任Glassdoor机器学习资深研发经理，曾任职于LinkedIn全球数据科学部、微软亚洲研究院、IBM研究院、eBay中国研发中心，1号店和大润fa飞牛网。著有《大数据架构和算法实现之路：电商系统的技术实战》《大数据架构商业之路：从业务需求到技术方案》两本原创技术图书，并翻译出版了《Elasticsearch实战》《Python机器学习实践指南》等技术图书，在极客时间发表了专栏《程序员的数学基础课》。《机器学习的数学》 雷明，资深机器学习、机器视觉专家。毕业于清华大学计算机系，研究方向为机器视觉、机器学习，曾发表论文数篇。《机器学习-原理、算法与应用》畅销书作者。曾任百度项目经理；zmodo/meShare公司CTO、平台研发中心负责人。SIGAI创始人，致力于研发零编程、可视化的机器视觉框架，用标准化的算法赋能各个行业。
目录
《数学之美 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 文字和语言 vs 数字和信息
15 第 2章 自然语言处理——从规则到统计
27 第3章 统计语言模型
41 第4章 谈谈分词
50 第5章 隐马尔可夫模型
60 第6章 信息的度量和作用
72 第7章 贾里尼克和现代语言处理
82 第8章 简单之美——布尔代数和搜索引擎
89 第9章 图论和网络爬虫
98 第 10章 PageRank——Google的民主表决式网页排名技术
104 第 11章 如何确定网页和查询的相关性
111 第 12章 有限状态机和动态规划——地图与本地搜索的核心技术
121 第 13章 Google AK-47的设计者——阿米特.辛格博士
127 第 14章 余弦定理和新闻的分类
136 第 15章 矩阵运算和文本处理中的两个分类问题
142 第 16章 信息指纹及其应用
153 第 17章 由电视剧《暗算》所想到的——谈谈密码学的数学原理
162 第 18章 闪光的不一定是金子——谈谈搜索引擎反作弊问题和搜索结果的quan威性问题
171 第 19章 谈谈数学模型的重要性
179 第 20章 不要把鸡蛋放到一个篮子里——谈谈Z大熵模型
186 第 21章 拼音输入法的数学原理
197 第 22章 自然语言处理的教父马库斯和他的优秀弟子们
204 第 23章 布隆过滤器
209 第 24章 马尔可夫链的扩展——贝叶斯网络
217 第 25章 条件随机场、文法分析及其他
227 第 26章 维特比和他的维特比算法
238 第 27章 上帝的算法——期望Z大化算法
244 第 28章 逻辑回归和搜索广告
249 第 29章 各个击破算法和Google云计算的基础
254 第30章 Google大脑和人工神经网络
274 第31章 区块链的数学基础——椭圆曲线加密原理
282 第32章 大数据的威力——谈谈数据的重要性
304 第33章 随机性带来的好处——量子密钥分发的数学原理
312 第34章 数学的极限——希尔伯特第十问题和机器智能的极限
323 附录 计算复杂度
327 第三版后记
333 索引
《程序员的数学基础课 从理论到Python实践》
第 一篇 基础思想 1
第 1章 二进制、余数和布尔代数 2
1.1 二进制 2
1.2 余数 15
1.3 布尔代数 19
第 2章 迭代、数学归纳和递归 30
2.1 迭代法 30
2.2 数学归纳法 37
2.3 递归 41
2.4 迭代法、数学归纳法和递归的关联 56
第3章 排列、组合和动态规划 58
3.1 排列 58
3.2 组合 62
3.3 动态规划 65
第4章 树和图 74
4.1 图和树的概念 74
4.2 树的常见应用 77
4.3 树的深度优先搜索和遍历 83
4.4 树和图的广度优先搜索和遍历 94
4.5 图中的Z短路径 114
第5章 编程中的数学思维 126
5.1 数据结构、编程语言和基础算法 126
5.2 算法复杂度分析 129
第二篇 概率统计 138
第6章 概率和统计基础 139
6.1 概论和统计对于编程的意义 139
6.2 随机变量、概率分布和期望值 141
6.3 联合概率、条件概率和贝叶斯定理 159
第7章 朴素贝叶斯分类 165
7.1 原始信息的转换 165
7.2 朴素贝叶斯的核心思想 166
7.3 基于朴素贝叶斯算法的文本分类 170
第8章 马尔可夫过程 181
8.1 语言模型 181
8.2 语言模型的应用 183
8.3 马尔可夫模型 184
8.4 隐马尔可夫模型 188
第9章 信息熵 200
9.1信息熵和信息增益 200
9.2 通过信息增益进行决策 204
9.3 特征选择 209
第 10章 数据分布 212
10.1 特征变换 212
10.2 统计意义 217
10.3 拟合、欠拟合和过拟合及其处理 229
第三篇 线性代数 235
第 11章 线性代数基础 236
11.1 向量和向量空间 236
11.2 矩阵 250
第 12章 文本处理中的向量空间模型 256
12.1 信息检索 256
12.2 文本聚类 259
12.3 文本分类 263
第 13章 对象间关系的刻画——矩阵 267
13.1 PageRank的矩阵实现 267
13.2 用矩阵实现推荐系统 272
第 14章 矩阵的特征 279
14.1 主成分分析（PCA） 279
14.2 奇异值分解（SVD） 288
第 15章 回归分析 294
15.1 线性方程组 294
15.2 Z小二乘法 299
第 16章 神经网络 311
16.1 神经网络的基本原理 311
16.2 基于TensorFlow的实现 317
16.3 Word2Vec 327
《机器学习的数学》
第 1 章一元函数微积分1
1.1 极限与连续 1
1.2 导数与微分 14
1.3 微分中值定理 29
1.4 泰勒公式 31
1.5 不定积分 33
1.6 定积分 37
1.7 常微分方程 45
第 2 章线性代数与矩阵论49
2.1 向量及其运算 49
2.2 矩阵及其运算 65
2.3 行列式 82
2.4 线性方程组 92
2.5 特征值与特征向量 97
2.6 二次型 116
2.7 矩阵分解 121
第3 章多元函数微积分133
3.1 偏导数 133
3.2 梯度与方向导数 138
3.3 黑塞矩阵 140
3.4 雅可比矩阵 146
3.5 向量与矩阵求导 150
3.6 微分算法 156
3.7 泰勒公式 159
3.8 多重积分 161
3.9 无穷级数 170
第4 章最优化方法176
4.1 基本概念 176
4.2 一阶优化算法 180
4.3 二阶优化算法 188
4.4 分治法 193
4.5 凸优化问题 198
4.6 带约束的优化问题 202
4.7 多目标优化问题 213
4.8 泛函极值与变分法 216
4.9 目标函数的构造 221
第5 章概率论228
5.1 随机事件与概率 229
5.2 随机变量 236
5.4 分布变换 254
5.5 随机向量 258
5.6 极限定理 271
5.7 参数估计 273
5.8 随机算法 288
5.9 采样算法 295
第6 章信息论298
6.1 熵与联合熵 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 条件熵 324
6.7 总结 326
第7 章随机过程328
7.1 马尔可夫过程 328
7.2 马尔可夫链采样算法 348
7.3 高斯过程 355
第8 章图论363
8.1 图的基本概念 363
8.2 若干特殊的图 373
8.3 重要的算法 380
8.4 谱图理论 384
I 第二版序言
III 第 一版序言
VI 第三版前言
1 第 1章 文字和语言 vs 数字和信息
15 第 2章 自然语言处理——从规则到统计
27 第3章 统计语言模型
41 第4章 谈谈分词
50 第5章 隐马尔可夫模型
60 第6章 信息的度量和作用
72 第7章 贾里尼克和现代语言处理
82 第8章 简单之美——布尔代数和搜索引擎
89 第9章 图论和网络爬虫
98 第 10章 PageRank——Google的民主表决式网页排名技术
104 第 11章 如何确定网页和查询的相关性
111 第 12章 有限状态机和动态规划——地图与本地搜索的核心技术
121 第 13章 Google AK-47的设计者——阿米特.辛格博士
127 第 14章 余弦定理和新闻的分类
136 第 15章 矩阵运算和文本处理中的两个分类问题
142 第 16章 信息指纹及其应用
153 第 17章 由电视剧《暗算》所想到的——谈谈密码学的数学原理
162 第 18章 闪光的不一定是金子——谈谈搜索引擎反作弊问题和搜索结果的quan威性问题
171 第 19章 谈谈数学模型的重要性
179 第 20章 不要把鸡蛋放到一个篮子里——谈谈Z大熵模型
186 第 21章 拼音输入法的数学原理
197 第 22章 自然语言处理的教父马库斯和他的优秀弟子们
204 第 23章 布隆过滤器
209 第 24章 马尔可夫链的扩展——贝叶斯网络
217 第 25章 条件随机场、文法分析及其他
227 第 26章 维特比和他的维特比算法
238 第 27章 上帝的算法——期望Z大化算法
244 第 28章 逻辑回归和搜索广告
249 第 29章 各个击破算法和Google云计算的基础
254 第30章 Google大脑和人工神经网络
274 第31章 区块链的数学基础——椭圆曲线加密原理
282 第32章 大数据的威力——谈谈数据的重要性
304 第33章 随机性带来的好处——量子密钥分发的数学原理
312 第34章 数学的极限——希尔伯特第十问题和机器智能的极限
323 附录 计算复杂度
327 第三版后记
333 索引
《程序员的数学基础课 从理论到Python实践》
第 一篇 基础思想 1
第 1章 二进制、余数和布尔代数 2
1.1 二进制 2
1.2 余数 15
1.3 布尔代数 19
第 2章 迭代、数学归纳和递归 30
2.1 迭代法 30
2.2 数学归纳法 37
2.3 递归 41
2.4 迭代法、数学归纳法和递归的关联 56
第3章 排列、组合和动态规划 58
3.1 排列 58
3.2 组合 62
3.3 动态规划 65
第4章 树和图 74
4.1 图和树的概念 74
4.2 树的常见应用 77
4.3 树的深度优先搜索和遍历 83
4.4 树和图的广度优先搜索和遍历 94
4.5 图中的Z短路径 114
第5章 编程中的数学思维 126
5.1 数据结构、编程语言和基础算法 126
5.2 算法复杂度分析 129
第二篇 概率统计 138
第6章 概率和统计基础 139
6.1 概论和统计对于编程的意义 139
6.2 随机变量、概率分布和期望值 141
6.3 联合概率、条件概率和贝叶斯定理 159
第7章 朴素贝叶斯分类 165
7.1 原始信息的转换 165
7.2 朴素贝叶斯的核心思想 166
7.3 基于朴素贝叶斯算法的文本分类 170
第8章 马尔可夫过程 181
8.1 语言模型 181
8.2 语言模型的应用 183
8.3 马尔可夫模型 184
8.4 隐马尔可夫模型 188
第9章 信息熵 200
9.1信息熵和信息增益 200
9.2 通过信息增益进行决策 204
9.3 特征选择 209
第 10章 数据分布 212
10.1 特征变换 212
10.2 统计意义 217
10.3 拟合、欠拟合和过拟合及其处理 229
第三篇 线性代数 235
第 11章 线性代数基础 236
11.1 向量和向量空间 236
11.2 矩阵 250
第 12章 文本处理中的向量空间模型 256
12.1 信息检索 256
12.2 文本聚类 259
12.3 文本分类 263
第 13章 对象间关系的刻画——矩阵 267
13.1 PageRank的矩阵实现 267
13.2 用矩阵实现推荐系统 272
第 14章 矩阵的特征 279
14.1 主成分分析（PCA） 279
14.2 奇异值分解（SVD） 288
第 15章 回归分析 294
15.1 线性方程组 294
15.2 Z小二乘法 299
第 16章 神经网络 311
16.1 神经网络的基本原理 311
16.2 基于TensorFlow的实现 317
16.3 Word2Vec 327
《机器学习的数学》
第 1 章一元函数微积分1
1.1 极限与连续 1
1.2 导数与微分 14
1.3 微分中值定理 29
1.4 泰勒公式 31
1.5 不定积分 33
1.6 定积分 37
1.7 常微分方程 45
第 2 章线性代数与矩阵论49
2.1 向量及其运算 49
2.2 矩阵及其运算 65
2.3 行列式 82
2.4 线性方程组 92
2.5 特征值与特征向量 97
2.6 二次型 116
2.7 矩阵分解 121
第3 章多元函数微积分133
3.1 偏导数 133
3.2 梯度与方向导数 138
3.3 黑塞矩阵 140
3.4 雅可比矩阵 146
3.5 向量与矩阵求导 150
3.6 微分算法 156
3.7 泰勒公式 159
3.8 多重积分 161
3.9 无穷级数 170
第4 章最优化方法176
4.1 基本概念 176
4.2 一阶优化算法 180
4.3 二阶优化算法 188
4.4 分治法 193
4.5 凸优化问题 198
4.6 带约束的优化问题 202
4.7 多目标优化问题 213
4.8 泛函极值与变分法 216
4.9 目标函数的构造 221
第5 章概率论228
5.1 随机事件与概率 229
5.2 随机变量 236
5.4 分布变换 254
5.5 随机向量 258
5.6 极限定理 271
5.7 参数估计 273
5.8 随机算法 288
5.9 采样算法 295
第6 章信息论298
6.1 熵与联合熵 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 条件熵 324
6.7 总结 326
第7 章随机过程328
7.1 马尔可夫过程 328
7.2 马尔可夫链采样算法 348
7.3 高斯过程 355
第8 章图论363
8.1 图的基本概念 363
8.2 若干特殊的图 373
8.3 重要的算法 380
8.4 谱图理论 384
猜您喜欢
