機器學習的統計基礎：深度學習背後的核心技術 - 博客來

在人工智慧中導入機率與統計的觀念，讓電腦具有自己找出數據之間的關聯性並試圖解決問題的能力，因而出現機器學習(machine learning) ，再加上電腦計算能力的大幅 ... 選擇語言 English 繁體中文 简体中文 :::相關網站 博客來 售票網 企業採購 福利平台 海外專館 :::會員服務|快速功能 0結帳 您好 ( 登出 )     登入     加入會員 購物金 購物金 0 儲值金 0 E-Coupon 0 張 單品折價券 0 張 OP點數兌換 會員專區 電子書櫃 線上客服 繁體 關閉廣告 展開廣告 回博客來首頁 客服公告：反詐騙！提醒您「不碰ATM、網銀，不說信用卡資料」詳情 移動滑鼠展開全站分類 :::全站分類 全站分類 :::網站搜尋 全部 展開 全部 圖書 電子書 有聲書 訂閱 影音 百貨 雜誌 售票 海外專館 快速到貨 禮物卡 搜尋 熱門關鍵字 貿易戰就是階級戰 Middle 最強獨家 曬書3本199 中文書 兒童暑期閱讀 2022曬書市集 新書 預購 排行榜 選書 即將出版 特價書 香港出版 讀者書評 出版社專區 分類總覽 博客來中文書電腦資訊概論/科技趨勢人工智慧/機器學習商品介紹 看大圖 !上頁 下頁 主題活動 試閱 機器學習的統計基礎：深度學習背後的核心技術 已追蹤作者：[ 修改 ] 確定 取消 作者：黃志勝   新功能介紹出版社：旗標   新功能介紹出版日期：2021/11/15語言：繁體中文 定價：680元 優惠價：79折537元優惠期限：2022年09月11日止 使用購物金最高可抵100% 詳情 1點OPENPOINT可兌換1點購物金，1點購物金可抵1元，實際點數依您帳戶為準。

如何獲得OPENPOINT點數？如何兌換購物金？詳見OPENPOINT說明 查詢我的購物金？登入會員專區 運送方式：臺灣與離島海外 可配送點：台灣、蘭嶼、綠島、澎湖、金門、馬祖可取貨點：台灣、蘭嶼、綠島、澎湖、金門、馬祖台北、新北、基隆宅配快速到貨(除外地區) 可配送點：全球可取貨點：香港、澳門、新加坡、馬來西亞、菲律賓 載入中... 我要寫評鑑 分享 優惠組合 機器學習的統計基礎：深度學習背後的核心技術 原價：680元 加 Python教學手冊 原價：650元 優惠組合價 AI資料科學必備書展｜精選二書75折 2022-07-05→2022-08-07 原價：1330元 組合價 75 折 998 元 放入購物車 上頁下頁   內容簡介 　　「作者在上市IC公司上班，每天面對realworldproblems。

探索如何建立輕量深度學習網路以及發展更有效率的學習方式是他每天的工作。

這是一本學理及實務兼具的好工具書。

」－中央研究院資訊科學研究所所長廖弘源博士推薦 　　[搭起AI與統計的橋樑] 　　原本統計學與人工智慧是兩個完全不同的領域，然而兩者在近代都有了新的發展進而產生連結。

在人工智慧中導入機率與統計的觀念，讓電腦具有自己找出數據之間的關聯性並試圖解決問題的能力，因而出現機器學習(machinelearning)，再加上電腦計算能力的大幅提升，解決多層類神經網路和大數據之間聯繫性的可能，進而衍生出現今最熱門的深度學習(deeplearning)。

　　不過，大部分電腦相關科系出身的人並不熟悉統計學，因此在更上一層樓的時候容易遇到障礙。

有鑒於此，小編在推出《機器學習的數學基礎》(天瓏專業書店年度暢銷第一名)一書之後，就積極開發AI與統計學相關的書籍。

在尋尋覓覓之後請到擅長統計與機器學習的黃志勝博士出馬撰寫《機器學習的統計基礎》，首要之務就是讓讀者不要視統計為畏途，因此在書中設計大量範例以降低學習難度，務求讀得懂、做得出來才容易吸收，進而搭好統計與機器學習的橋樑。

如果自覺數學已經還給老師了也不用擔心，可以將本書搭配《機器學習的數學基礎》一併完整學習。

　　[學會統計，由混亂到清晰] 　　本書從讀者在高中就學過的集合與機率論開始，帶您快速複習一遍，並將容易混淆之處多多舉例說明，並將以前似懂非懂的隨機變數、機率分布等觀念再解釋得更清楚。

接下來就進入專有名詞特別多的統計學，這也是造成許多人暈頭轉向之處。

特別是樣本估計、信賴區間、顯著水準、信心水準、t-分布、假設檢定...等讓人一個頭兩個大的主題，更是務求清楚明瞭。

當然本書不可能把完整的統計學全都搬進來，此處只介紹機器學習、深度學習需要用到的統計基礎知識，縮短您的學習時間。

　　然後就進入機器學習的重頭戲，從資料前處理到迴歸、分類模型的建立，以及當數據的特徵數過多時的PCA、LDA統計降維法。

從類神經網路開始進入深度學習的範疇，包括前向傳遞、梯度下降法與倒傳遞學習法的手算實作，幫助讀者一步步建立深度學習的演算邏輯，並利用參數常規化解決模型過擬合(over-fitting)的問題。

最後，導入模型評估，例如二元、多元分類模型評估指標、迴歸模型評估指標、4種交叉驗證的方法，做為判斷模型好壞的參考依據。

　　相信讀者認真看完本書後，一定能建立起機器學習結合統計學的硬底子。

當然這只是開端，期望讀者以本書為基石繼續前行。

本書特色 　　1.打好機率與統計的基礎，快速釐清讓人容易暈頭轉向的統計理論。

　　2.藉由大量範例說明，務求讀得懂、做得出來，才容易吸收。

　　3.作者提供專屬讀者天地，以及機器學習方面的文章供後續學習。

    作者介紹 作者簡介 黃志勝博士 　　高等教育經歷過管理學院(統計資訊系)、理學院(測驗統計研究所)和工學院(電控工程研究所)，擔任過交通大學博士後研究員，也先後任職過兩間醫療新創公司，目前擔任新竹上市半導體公司的AI演算法小主管，同時也在大專院校擔任合聘助理教授。

平日樂於分享統計學、機器學習或是深度學習相關知識，讀者可於Medium(TommyHuang)獲得更多相關的學習資源：chih-sheng-huang821.medium.com/   目錄 第1章機器與深度學習常用的數學基礎 1.1數值資料表示方式 1.1.1純量(scalar) 1.1.2向量(vector) 1.1.3矩陣(matrix) 1.1.4張量(tensor) 1.2向量與矩陣運算 1.2.1向量和純量相乘 1.2.2向量相乘 1.2.3矩陣相乘 1.2.4Hadamard乘積 1.2.5逆矩陣(反矩陣) 1.3矩陣分解 1.3.1特徵分解(Eigenvaluedecomposition) 1.3.2奇異值分解(SVD)   第2章機器學習相關機率論  2.1集合 2.2隨機試驗與樣本空間 2.2.1隨機試驗範例 2.2.2隨機試驗與公正與否 2.3事件 2.3.1基本事件與複合事件 2.3.2事件空間 2.4事件的機率 2.4.1事件機率三大公理 2.4.2事件機率相同的例子 2.4.3事件機率不同的例子 2.4.4事件機率運算規則 2.5條件機率與貝氏定理 2.5.1條件機率 2.5.2貝氏定理 2.5.3統計獨立 2.6隨機變數 2.6.1隨機變數的類型 2.6.2多維隨機變數 2.7機率分布與機率密度函數 2.7.1機率分布 2.7.2數位化都是離散型的隨機變數 2.7.3一維機率密度函數 2.7.4多維機率密度函數(聯合機率密度函數) 2.7.5邊際機率密度函數 2.8機器學習常用到的統計機率模型 2.8.1伯努利分布(BernoulliDistribution) 2.8.2二項分布(BinomialDistribution) 2.8.3均勻分布(UniformDistribution) 2.8.4常態分布(NormalDistribution)   第3章機器學習常用的統計學(一) 3.1資料結構分類 3.1.1「正確的資料」與「好品質的資料」 3.1.2結構化資料 3.1.3非結構化資料 3.1.4半結構化資料 3.2將統計量作為資料的特徵表徵 3.2.1期望值 3.2.2各階中心動差 3.2.3相關係數與共變異數 3.2.4共變異數矩陣   第4章機器學習常用的統計學(二) 4.1母體與樣本估計 4.1.1樣本統計量與抽樣分布 4.1.2樣本平均數的期望值等於母體平均數 4.1.3樣本變異數的期望值等於母體變異數 4.1.4小結 4.2信賴區間 4.2.1信賴區間與顯著水準、信心水準的關係 4.3母體為常態分布的區間估計 4.31常態分布的特性 4.3.2將常態分布標準化：z-score 4.3.3標準常態分布平均值的區間估計 4.3.4每次抽樣都有不同的信賴區間 4.3.5信賴區間的用途 4.4自由度(DegreeofFreedom) 4.5t-分布(t-distribution) 4.5.1t值(t-score)：母體為常態，但標準差未知的情況 4.5.2t值與z值的關係 4.5.3t-分布：隨機變數t的機率分布 4.6抽樣數的選擇 4.6.1母體數有無限個的情況 4.6.2有限母體數的修正 4.7假設檢定 4.7.1假設檢定的預備知識 4.7.2虛無假設、對立假設 4.7.3檢定虛無假設成立的機率 4.7.4計算橫軸上的t值 4.7.5計算p值   第5章機器學習常用的資料處理方式  5.1資料標準化 5.1.1Z值標準化 5.1.2Min-max正規化 5.2資料縮放 5.3非線性轉換 5.3.1對數函數能將數值範圍縮小 5.3.2指數函數將數值轉換到特定範圍 5.3.3非線性轉換較少用於資料前處理的原因 5.4類別變數編碼 5.4.1One-hotencoding 5.4.2目標編碼Targetencoding   第6章機器與深度學習常用到的基礎理論  6.1機器、深度學習與統計學的關係 6.1.1統計學與機器學習(深度學習)的差異 6.1.2機器學習和深度學習的差異 6.2監督式學習與非監督式學習 62.1監督式學習(SupervisedLearning) 6.2.2非監督式學習(UnsupervisedLearning) 6.3最大概似估計 6.3.1概似函數(likelihoodfunction) 6.3.2範例：伯努利抽紅白球的機率 6.3.3範例：常態分布找出平均值與變異數 6.4貝氏法則理論與最大後驗機率 6.41貝氏法則理論 6.4.2最大後驗機率法 6.4.3最大後驗機率法範例 6.5常用到的距離和相似度計算方式 6.5.1曼哈頓距離(ManhattanDistance) 6.5.2歐幾里得距離(EuclideanDistance)，歐氏距離 6.5.3明可夫斯基距離(Minkowskidistance) 6.5.4餘弦相似度(Cosinesimilarity) 6.5.5馬氏距離(MahalanobisDistance) 6.5.6雅卡爾相似度係數(Jaccardsimilaritycoefficient) 6.6損失函數 6.6.1迴歸常用的損失函數：均方誤差、平均絕對值誤差 6.6.2迴歸常用的損失函數：Huber損失函數 6.6.3分類常用的損失函數：交叉熵 6.6.4交叉熵與相對熵、最大概似估計的關係   第7章迴歸分析Regression  7.1簡單線性迴歸分析 7.1.1用最小平方法找迴歸方程式 7.1.2用最大概似函數估計法找迴歸方程式 7.2多元線性迴歸分析 7.2.1多元迴歸用向量與矩陣表示 7.2.2用最小平方法求參數向量 7.3非線性迴歸分析   第8章分類Classification 8.1單純貝氏分類器(NaiveBayesClassifier) 8.1.1單純貝氏分類器的公式 8.1.2高斯單純貝氏分類器 8.1.3單純貝氏分類器的缺點與優點 8.2線性區別分析(LDA) 8.2.1LDA的概似函數 8.2.2LDA分類器公式 8.2.3二分類的LDA 8.3羅吉斯迴歸(LogisticRegression) 8.3.1羅吉斯迴歸用Sigmoid函數限制值域 8.3.2羅吉斯迴歸求參數的方法   第9章統計降維法DimensionReduction  9.1特徵數過多的問題 9.2特徵選取法 9.2.1刪除變異量最小的特徵資料 9.2.2單一變數特徵選擇：迴歸任務 9.23單一變數特徵選擇：分類任務 9.2.4順序特徵選取 9.3特徵萃取法 9.3.1向量做投影空間轉換 9.3.2PCA主成分分析 9.3.3LDA線性區別分析 9.3.4主成分分析(PCA)和線性區別分析(LDA)的差異   第10章類神經網路ArtificialNeuralNetwork  10.1感知機神經網路(PerceptronNeuralNetwork) 10.1.1常用的激活函數(Activationfunction) 10.1.2感知機神經網路運作範例 10.2多層感知機神經網路(Multilayerperceptron，MLP) 10.2.1多層感知機神經網路與深度學習的區別 10.2.2透過激活函數做到特徵非線性轉換 10.3神經網路的前向傳遞 10.3.1輸入層到隱藏層的前向傳遞 10.3.2隱藏層到輸出層的前向傳遞   第11章梯度下降法GradientDescent 11.1梯度是微分的觀念 11.1.1用微分找函數的極小值 11.1.2離散資料用逼近的方式求解 11.1.3梯度與梯度方向 11.2梯度下降法的作法 11.2.1梯度下降法的運算方式 11.2.2學習率過大會無法收斂 11.2.3學習率過小有可能只找到局部低點   第12章倒傳遞學習法Backpropagation 12.1最小化損失函數以找出權重參數 12.2隱藏層到輸出層的梯度 12.3輸入層到隱藏層的梯度 12.4前向傳遞與倒傳遞範例實作 12.4.1前向傳遞計算預測值 12.4.2用倒傳遞學習法反推以更新權重 12.4.3用更新後的權重參數再做前向傳遞 12.5梯度消失與梯度爆炸   第13章參數常規化ParameterRegularization 13.1訓練擬合(fitting)的問題 13.2損失函數加上懲罰項可避免過擬合 13.2.1損失函數未加入懲罰項的範例 13.2.2加入懲罰項做參數常規化的範例 13.2.3λ值對於常規化的影響 13.3用懲罰項限制損失函數的求解範圍 13.4常規化實際的解空間   第14章模型評估ModelValidation 14.1二元分類模型評估指標 14.1.1二元分類的混淆矩陣 14.1.2評估指標－正確率 14.1.3評估指標－靈敏度、特異度 14.1.4評估指標－偽陰性率、偽陽性率 14.1.5評估指標－陽性預測值、陰性預測值 14.1.6評估指標－陽性概似比、陰性概似比 14.1.7評估指標－F1score與F(beta)score 14.1.8評估指標－G-mean 14.1.9算出所有的評估指標 14.1.10ROC曲線 14.2多元分類評估指標 14.2.1評估指標說明 14.2.2多元評估指標範例 14.3迴歸模型評估指標(RegressionMetrics) 14.3.1三種評估指標－MSE、MAE、MSLE 14.3.2MSLE的優勢 14.4交叉驗證：如何選取模型與模型評估 14.4.1Resubstitution 14.4.2HoldoutCV 14.4.3k-foldCV 14.4.4Leave-one-outCV   看更多   詳細資料 ISBN：9789863126744規格：平裝/432頁/17x23x2.5cm/普通級/單色印刷/初版出版地：台灣 本書分類：商業理財>會計/統計>統計學本書分類：電腦資訊>概論/科技趨勢>人工智慧/機器學習 會員評鑑 TOP 會員評鑑等級 ，共 1 位評分。

我要寫評鑑 感謝您為本商品發表您的看法，這是專屬於博客來會員的發表園地。

看更多書評請前往【讀者書評】專區 全部(1) 良好(1) 普通(0) 極差(0) 無評鑑(0)   主題活動 2022上半年圖書暢銷榜，發表！ 最近瀏覽商品  相關活動   購物說明 若您具有法人身份為常態性且大量購書者，或有特殊作業需求，建議您可洽詢「企業採購」。

  退換貨說明  會員所購買的商品均享有到貨十天的猶豫期（含例假日）。

退回之商品必須於猶豫期內寄回。

  辦理退換貨時，商品必須是全新狀態與完整包裝(請注意保持商品本體、配件、贈品、保證書、原廠包裝及所有附隨文件或資料的完整性，切勿缺漏任何配件或損毀原廠外盒)。

退回商品無法回復原狀者，恐將影響退貨權益或需負擔部分費用。

  訂購本商品前請務必詳閱商品退換貨原則。

  同類商品新上架 1. AdobePhotoshopACP國際認證應考攻略(適用2019/2020/2021) 2. AI開發的機器學習系統設計模式 3. 輕課程玩轉創意雷雕與實作-使用激光寶盒LaserBox-最新版(第二版)-附MOSME行動學習一點通：評量.加值 4. Flag’s旗標創客.自造者工作坊用Python蓋出物聯網智慧屋 5. 【Notion+ipad手帳】人生管理術，Allinone套書，共二冊 本類新品熱銷 1. 髮之神技：超人氣插畫家Paryi教你畫出美少女輕柔秀髮 2. 比VBA更強的RPA來了！PowerAutomateDesktop零程式打造辦公室流程自動化 3. 企鵝發燒了：從比特幣到元宇宙 4. Python操作Excel：最強入門邁向辦公室自動化之路王者歸來 5. FigmaUI/UX設計技巧實戰：打造擬真介面原型 本類暢銷榜 1. 企鵝發燒了：從比特幣到元宇宙 2. 寫給中學生看的AI課：AI生態系需要文理兼具的未來人才 3. 演算法圖鑑：26種演算法+7種資料結構，人工智慧、數據分析、邏輯思考的原理和應用全圖解 4. 2030科技趨勢全解讀：元宇宙、AI、區塊鏈、雲端、大數據、5G、物聯網，七大最新科技一本就搞懂！ 5. Keras大神歸位：深度學習全面進化！用Python實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer 訂閱電子報 想獲得最新商品資訊，請訂閱免費電子報 關於我們 關於博客來 關於PCSC 隱私權政策 服務條款 人才募集 利害關係人專區 會員服務 加入會員 新手上路 會員分級 訂閱電子報 24小時隔日取貨 行動博客來 切換行動版 合作提案 企業採購 福利平台 加入供應商 AP策略聯盟 異業合作 客服中心 查詢帳號密碼 客服信箱 客服中心Q&A 線上客服 好站連結 OKAPI 閱讀生活誌 青春博客來 售票網 博客來Youtube 博客來粉絲團 得獎認證 天下雜誌2017金牌服務大賞 2016新世代最嚮往企業 SSL憑證服務 數位時代2012年台灣網站100強 電子發票推廣標章 dpmark資料隱私保護標章 數位時代2011台灣電子商務TOP50強 行政院環保署B2C網購包裝減量標章。

包裝減量。

環保材質。

循環包材。

客戶服務專線：02-26535588傳真：02-27885008服務時間：週一~五8:00~19:00，週六~日、例假日9:00~18:00，365天全年無休 博客來數位科技股份有限公司地址：臺灣115台北市南港區八德路四段768巷1弄18號B1之1  食品業者登錄字號：A-196922355-00000-9 Copyright©since1995books.com.twAllRightsReserved.