圖解機器學習與資料科學的數學基礎

圖解機器學習與資料科學的數學基礎｜使用Python

作者：松田雄馬, 露木宏志, 千葉彌平

譯者：

許郁文

書號： ACD021900

出版日： 2022/06/27

ISBN： 9786263241817

EAN： 9786263241817

紙本書價格： 650

附件：無

電子書：

已出版

試讀

博客來

金石堂

天瓏

MOMO

Google Play

博客來

團體購書

回頁首

搞懂不會背叛你的數學，進一步提升你的程式功力！
本書透過圖表解說人工智慧與資料科學領域的相關數學知識，並告訴你如何將其轉換為程式碼，除了可以吸收關於數學的知識之外，也能立即運用在工作上。

透過機率統計的學習，了解如何改善業務流程
本書將AI與資料科學的相關數學知識分成四大篇，第一篇的「機率統計、機器學習篇」介紹的是了解工作情況，篩選出必要資訊的流程，以及位於這個流程背後的機率統計、機器學習的數學知識。能掌握工作情況就能知道該如何改善相關業務，也能進一步觀察未來的變化。

了解最佳化的步驟，學會職場所需的最佳化流程
第二篇「數理最佳化篇」介紹最佳化業務的流程，以及解決業務問題的方法。要最佳化業務，就必須先了解哪些部分需要改善效率，換言之，最佳化的重點在於找出問題。了解最佳化的步驟與問題的種類，就能學會工作職場所需的最佳化流程。

透過預測病毒的傳播模式，了解相關的數學理論
第三篇「數值模擬篇」則以傳染染病的傳播為主題，學習預測這類傳播模式的微分。只要了解微分，就能了解病毒的傳播模式，也能利用動畫說明傳播模式與製作出臨場感十足的簡報。最後的「深度學習篇」則會先說明近年來發展神速的深度學習技術原理，再說明這些原因都於哪些技術或職場應用。

來自讀者的讚譽
「這是我買過最實用的書」
「這本書可以讓你知道如何將數學應用在現實世界的工作之中」
「這本書拯救了文科出身，在工作上又不得不面對數學的我」

回頁首

松田雄馬
工學博士。於日本電氣株式會社（NEC）的中央研究所創立腦型電腦研究開發團體與取得博士學位後自立門戶，與他人一同創立合同公司IQBETA。身為數理科學者的他利用將大腦、智能、人類視為生命的原創理論研究AI、機械學習、圖像辨識、自律分散控制這類主題，也根據以人類為主的社會架構開發系統、組織與培育人材。現為株式會社ONGIGANTS（舊合同公司IQBETA）的董事長，以及一橋大學大學院（一橋商業學院）的約聘講師，也擔任多間企業的技術顧問。著有《人工知能に未来を託せますか》（岩波書店）以及共同著作的《Python実践データ分析100本ノック》（秀和System）等。

露木宏志
就讀筑波大學期間便開始自學程式，也藉著在多間企業實習與參加程式設計競賽的經驗，挑戰數學、圖表理論、列舉這類數理方面的難題。大學中輟之後，進入合同公司IQBETA服務，負責開發自然語言處理的文章分類、類似文章搜尋的演算法，以及利用機械學習預測業績、以圖像辨識進行物體偵測的演算法，還開發了推測人物姿勢、追跡、判斷動作好壞的演算法。此外也開發能有效處理上述結果的資通系統，每天沉迷於各種技術的研究。目前一邊於株式會社Iroribi負責DX推進事業，一邊沒日沒夜地開發各種技術。

千葉彌平
於就讀國際基督教大學之際，開發了過半數學生使用的課程管理系統Time Table For ICU。大學畢業後，以專業工程師之姿進入合同公司IQBETA服務。推動業務的同時，還於東京大學大學院學際情報學府從事簡化IoT系統開發者門檻的IoT平台基礎研究。專長是從各種觀點開發技術，也與各領域的專家一同推動各項專案，例如資料輸入方面的IoT、感測器裝置、以及處理方面的AI、資料分析，或是控制方面的小型機器人、無人機。目前也是大型IT系統公司的顧問。

回頁首

運用數學知識改善業務流程
現代已是AI／資料科學普及，熟悉機器學習這類尖端技術的工程師能夠大展身手的時代，而工程師與上班族是否具備這些技術背後的數學知識，工作表現也將有明顯的落差。若具備這類數學知識，不僅可使用函式庫這類工具，有時還可自行開發需要的工具，也能知道該如何改善業務流程或是改革業務內容。

雖然工程師或上班族若是了解數學，將可增加自己的可塑性，但是閱讀解說數學的專業書籍，也不見得就能有助於工作。數學專業書籍之所以艱深，主要分成兩大理由：
．一堆困難的公式，讓人望之卻步
．再怎麼詳盡的解說也讓人無法了解公式的內容

透過簡單的程式邊做邊學，就能了解所需的數學知識
其實工程師與上班族所需的數學都可以直覺地學會，不需要學習一堆公式，但大部分的人都認為解說數學的時候「需要公式」，而為了解說艱深的公式，數學專業書籍才會厚厚一本。一看到那麼厚的一本書，讀者往往會被勸退，不然就是讀到最後，也不知道該如何使用數學。

利用圖解取代公式，無障礙地吸收數學的知識
本書要利用圖解取代公式，讓各位讀者更能直覺吸收數學的知識，也要透過簡單的程式讓讀者邊做邊學，直到學會需要的知識為止。其實要了解數學，不一定非得透過公式說明。要想掌握數學的一個知識點，可先掌握這個知識點的用途，之後再試著透過圖案或圖表直覺地了解這個知識點，最後再試著使用這項數學知識，這也是學會數學所需的步驟。大家可一邊預設自己會在哪些工作場合使用這些數學知識，再透過圖解或程式按部就班了解所需的數學知識。

只要能了解數學的原理，就能了解機器學習的系統運作原理
本書使用的程式語言是Python，但就算是沒有Python的知識，或是毫無程式設計背景知識的上班族，都可藉由「試著執行本書的程式」，掌握本書介紹的數學知識。不管是要了解數學，還是要撰寫程式，重點在於「先試著動手做做看」，而不是從零開始撰寫程式碼。執行程式，確認結果之後，粗略了解程式的執行內容與架構，這才是透過程式了解數學的第一步，也是最重要的一步。雖然只是粗淺的了解，但只要能了解數學的原理，就能了解機器學習的系統運作原理，也就能發現機器學習系統的問題，或是在利用多種系統解決工作問題的時候，能自行決定該使用哪些數學原理。一旦了解上述的系統與原理，就能了解數學或程式設計這類專業書籍的定位，還能進一步強化相關知識。閱讀本書可更直覺地了解數學，進一步擴張工程學的可能性。

回頁首

序章｜設定 Python開發環境
第一篇機率統計、機器學習篇
第1章｜取得資料之後的第一件事
第2章｜試著利用機器學習進行分析
第3章｜推測必需的資料筆數

第二篇數理最佳化篇
第4章｜透過最佳路徑規劃問題，了解解決最佳化問題的方法
第5章｜透過排班問題了解最佳化問題的全貌

第三篇數値模擬篇
第6章｜試著預測傳染病的影響
第7章｜試著透過動畫模擬人類的行為

第四篇深度學習篇
第8章｜了解深度學習辨識影像的方法
第9章｜了解深度學習處理時間序列資料的機制
第10章｜了解以深度學習進行的圖片處理與語言處理

Appendix 程式設計與數學之間的橋梁
Appendix 1｜利用公式了解常態分佈
Appendix 2｜微分方程式差分法造成的誤差與泰勒展開式
Appendix 3｜非線性最佳化的機械學習／深度學習的迴歸／分類

回頁首

圖解AI｜機器學習和深度學習的技術與原理用Python快速上手資料分析與機器學習