链接: https://pan.baidu.com/s/1SpKFML5SEGlVQrV1DEvpHw?pwd=e71a 提取码: e71a
出版社： 电子工业出版社
ISBN：9787121409097
版次：1
商品编码：13228582
品牌：电子工业出版社
包装：平装
丛书名： 高级人工智能人才培养丛书
开本：16开
出版时间：2021-04-01
用纸：胶版纸
页数：312
字数：440000
正文语种：中文
产品特色
内容简介
本书是面向高级人工智能人才培养的高等学校人工智能相关专业规划教材中的一本，通过梳理人工智能涉及的相关数学理论，并通过Python实现相关案例，使抽象的理论具体化，从而加深读者对数学的感性认识，提高读者对数学理论的理解能力。本书首先介绍了人工智能所需的基础数学理论，然后根据数学内容的逻辑顺序，以微积分、线性代数、概率论、数理统计为基础，对函数逼近、最优化理论、信息论、图论进行了深入介绍，同时给出了它们在人工智能算法中的实验案例。另外，该书将免费提供配套 PPT、实验及应用案例等基本教学材料。
作者简介
陈华，博士、硕士生导师、青岛市西海岸大数据智库专家、全国高校人工智能与大数据创新联盟理事、山东省大数据研究会大数据专业建设教学委员会副主任委员；现任中国石油大学（华东）数据科学与统计系主任、数据科学与大数据技术专业负责人；目前主要从事地球物理数据处理与分析、多核计算、智能算法等方面的教学和科研工作；先后主持和参与国家自然科学基金、山东省自然科学基金等纵向课题8项和其他横向课题10余项，在国内外期刊发表教学和科研论文30余篇，获得软件著作权4项，出版教材2部。
目录
第1章 人工智能与数学 1
1．1 微积分 1
1．2 线性代数 2
1．2．1 向量和矩阵 3
1．2．2 范数和内积 3
1．2．3 线性变换 4
1．2．4 特征值和特征向量 4
1．2．5 奇异值分解（SVD） 5
1．3 概率论 6
1．4 数理统计 6
1．5 最优化理论 7
1．5．1 目标函数 7
1．5．2 线性规划 7
1．5．3 梯度下降法 7
习题 8
参考文献 8
第2章 初等数学 9
2．1 函数 9
2．1．1 函数的概念 9
2．1．2 函数的性质 10
2．1．3 特殊函数 11
2．1．4 复合函数和逆函数 13
2．1．5 综合案例及应用 14
2．2 数列 16
2．2．1 数列的概念 17
2．2．2 数列的分类 17
2．2．3 综合案例及应用 18
2．3 排列组合和二项式定理 18
2．3．1 排列 19
2．3．2 组合 19
2．3．3 二项式定理 20
2．3．4 综合案例及应用 21
2．4 集合[1] 22
2．4．1 集合的相关概念 22
2．4．2 集合关系 23
2．4．3 基数 24
2．4．4 集合运算 25
2．4．5 综合案例及应用 26
2．5 实验：基于函数递归过程的功能实现 28
2．5．1 实验目的 28
2．5．2 实验要求 28
2．5．3 实验原理 28
2．5．4 实验步骤 28
2．5．5 实验结果 29
习题 29
参考文献 30
第3章 微积分初步 31
3．1 极限与连续性 31
3．1．1 极限 31
3．1．2 连续性 33
3．2 导数与微分 34
3．2．1 导数 34
3．2．2 偏导数 39
3．2．3 梯度和方向导数 40
3．3 导数在函数性质中的应用 41
3．3．1 单调性 42
3．3．2 凹凸性 43
3．3．3 极值 45
3．4 一元积分学 46
3．4．1 不定积分 46
3．4．2 微分方程 47
3．4．3 定积分 47
3．5 多元积分学 48
3．5．1 二重积分的概念 49
3．5．2 二重积分的计算 49
3．6 实验：梯度下降法[8-9] 52
3．6．1 实验目的 52
3．6．2 实验要求 52
3．6．3 实验原理 52
3．6．4 实验步骤 53
3．6．5 实验结果 55
习题 55
参考文献 56
第4章 线性代数 58
4．1 行列式 58
4．1．1 行列式定义 58
4．1．2 行列式的性质 60
4．1．3 行列式的计算 62
4．2 矩阵 63
4．2．1 矩阵的概念 63
4．2．2 矩阵的运算 65
4．2．3 矩阵的初等变换 67
4．2．4 矩阵的秩 69
4．3 向量 69
4．3．1 n维向量的定义 69
4．3．2 n维向量间的线性关系 71
4．3．3 向量组的秩 72
4．3．4 梯度、海森矩阵与雅可比矩阵 73
4．4 线性方程组 74
4．4．1 齐次线性方程组解的结构 74
4．4．2 非齐次线性方程组解的结构 75
4．5 二次型 76
4．5．1 特征值与特征向量 76
4．5．2 相似矩阵 78
4．5．3 二次型 79
4．5．4 正定二次型 82
4．6 实验：矩阵运算 83
4．6．1 实验目的 83
4．6．2 实验要求 83
4．6．3 实验原理、步骤及结果 84
习题 87
参考文献 88
第5章 概率论 89
5．1 概述 89
5．1．1 概率论发展简史 89
5．1．2 概率论的主要内容 90
5．2 随机事件及其概率 90
5．2．1 随机事件的运算 92
5．2．2 随机事件的概率 93
5．2．3 条件概率 95
5．3 随机变量 97
5．3．1 随机变量的概率分布 97
5．3．2 随机变量的数字特征 102
5．3．3 常见的概率分布 104
5．4 贝叶斯理论 105
5．4．1 贝叶斯公式的推导 105
5．4．2 贝叶斯公式的应用举例 107
5．4．3 贝叶斯理论的前景 109
5．5 极限理论 110
5．5．1 收敛 110
5．5．2 大数定理 110
5．5．3 中心极限定理 111
5．6 基于Python的泊松分布仿真实验 113
5．6．1 实验目的 113
5．6．2 实验要求 113
5．6．3 实验原理 113
5．6．4 实验步骤 113
5．6．5 实验结果 114
习题 115
参考文献 116
第6章 数理统计 117
6．1 概述 117
6．1．1 数理统计发展简史 117
6．1．2 数理统计的主要内容 118
6．2 总体与样本 118
6．2．1 总体与样本简介 118
6．2．2 数据的特征 118
6．2．3 统计量 122
6．3 参数估计 122
6．3．1 最大似然估计 122
6．3．2 贝叶斯估计 124
6．3．3 点估计与矩估计 124
6．3．4 蒙特卡罗方法的基本原理 125
6．4 假设检验 125
6．4．1 基本概念 125
6．4．2 Neyman-Pearson 基本引理 127
6．4．3 参数假设检验 130
6．4．4 检验 131
6．5 回归分析 132
6．5．1 一元线性回归 132
6．5．2 可化为一元线性回归的非线性回归 135
6．5．3 多元线性回归 136
6．6 实验：基于Python实现用蒙特卡罗方法求圆周率π 137
6．6．1 实验目的 137
6．6．2 实验要求 137
6．6．3 实验原理 137
6．6．4 实验步骤 138
6．6．5 实验结果 139
习题 139
参考文献 1