新書推薦：
《
龙旗与狮帆：大航海时代的中英首次交锋
》
售價：HK$
63.8
《
沉舰佚事
》
售價：HK$
108.9
《
七日（“万国文译”系列之一，存在主义 + 伦理思考，在末日图景中拷问人的本质。）
》
售價：HK$
53.9
《
拿破仑帝国（第2版） 想象欧洲丛书
》
售價：HK$
79.2
《
男性制造
》
售價：HK$
82.5
《
活在借来的时间中（关于后现代社会的八个对话 齐格蒙特鲍曼写给未来读者的八封预言信）
》
售價：HK$
63.8
《
何以西南联大
》
售價：HK$
63.8
《
论语精义正解（全本·全译·全解，中国社会科学院博导、国家图书奖获得者彭亚非教授 数十年研究集大成之作
》
售價：HK$
118.8
|
| 編輯推薦： |
1. 系统构建AI数学根基，从概率统计到前沿应用全覆盖
系统梳理概率论与统计学的核心理论，涵盖随机变量、深度学习、NLP、CV、推荐系统等AI热门领域，帮助读者建立完整的数学知识体系。
2. 代码驱动学习，150+Python实例打通理论与实践
每章配备基于Python的实战代码，将抽象概念转化为可运行的程序，实现“代码即理论”，助力读者从理解到动手实现。
3. 适合多类读者，兼顾入门与进阶
无论是初学者、高校师生、数据从业者，还是跨领域学习者，均可通过本书循序渐进掌握概率统计在AI中的应用。
|
| 內容簡介： |
本书系统地探讨了概率与统计在人工智能领域中的广泛应用，从理论基础到实战技术，内容全面且深入，涵盖概率论、统计学、回归分析、时间序列、特征工程与选择、模型构建 与优化等基础知识，以及概率与统计在自然语言处理、计算机视觉、推荐系统和强化学习等前沿场 景中的应用。通过理论讲解、模型原理分析和代码实践，深入剖析概率和统计在算法建模、性能优 化和结果解释中的关键作用。來源：香港大書城megBookStore,http://www.megbook.com.hk
本书配有丰富的案例分析、课后练习及可视化示例，适合人工智能从业者、研究人员及相关专 业学生学习和参考。
|
| 關於作者： |
王卓，前阿里达摩院创新业务中心资深算法工程师，参与了通义千大模型系列Qwen1、Qwen1.5的落地工作。精通大模型开发、计算机视觉、自然语言处理等方向的技术，负责多个深度学习算法在各种大模型和不同场景的业务落地。
薛栋，华东理工大学信息科学与技术学院副教授/硕士生导师，德国慕尼黑工业大学工学博士，“上海市高层次青年人才计划”“浦江人才计划”获得者。长期从事基于人工智能与大数据相关研究。
王圣强，华东理工大学数学学院副教授、数学与应用数学系副主任，复旦大学数学科学学院理学博士，先后荣获第五届上海高校青年教师教学竞赛一等奖，上海市教学能手，校优秀共产党员，校青年五四奖章，校教学新星、校研究生课程优秀任课教师等荣誉。
|
| 目錄：
|
第1章 概率论基础 001
1.1 概率的基本概念 002
1.1.1 概率的定义 002
1.1.2 概率的公理 002
1.1.3 概率的衍生 003
1.1.4 事件的运算：并、交、补 004
1.2 样本空间与事件 007
1.2.1 样本空间的定义 007
1.2.2 事件的分类：简单事件与复合事件 010
1.2.3 事件概率的运算：加法与乘法规则 012
1.3 条件概率与独立性 016
1.3.1 条件概率的定义与计算 016
1.3.2 事件的独立性 019
1.3.3 全概率公式与贝叶斯定理 021
1.4 随机变量与其分布 024
1.4.1 随机变量的定义与类型 024
1.4.2 概率密度函数与概率质量函数 026
1.4.3 随机变量的分布 029
1.5 期望值、方差与协方差 031
1.5.1 期望值的定义与计算 032
1.5.2 方差与标准差 035
1.5.3 协方差与相关系数 037
1.6 大数定律与中心极限定理 039
1.6.1 大数定律的概念与证明 039
1.6.2 弱大数定律与强大数定律 042
1.6.3 中心极限定理的概念与证明 043
1.7 随机过程 045
1.8 课后练习 048
第2章 描述统计与推断统计 049
2.1 描述统计的基本概念 050
2.2 点估计与区间估计 055
2.3 假设检验 061
2.3.1 t 检验 061
2.3.2 z 检验 064
2.3.3 卡方检验 067
2.4 课后练习 070
第3章 回归分析与方差分析 071
3.1 线性回归介绍 072
3.1.1 线性回归的背景 072
3.1.2 线性回归的基本概念 072
3.1.3 线性回归的分类 072
3.2 简单线性回归 073
3.3 多元线性回归与相关性分析 076
3.3.1 多元线性回归模型 076
3.3.2 相关性分析 079
3.3.3 多重共线性问题 081
3.4 逻辑回归 083
3.4.1 逻辑回归模型的基本概念 083
3.4.2 最大似然估计 086
3.4.3 逻辑回归模型的评估 088
3.5 正则化技术 091
3.5.1 正则化的基本概念 092
3.5.2 L1 正则化（Lasso 回归） 092
3.5.3 L2 正则化（Ridge 回归） 094
3.5.4 Elastic Net 正则化（Elastic Net 回归） 096
3.6 方差分析（ANOVA） 098
3.7 课后练习 101
第4章 时间序列分析与蒙特卡洛模拟 103
4.1 时间序列分析 104
4.1.1 时间序列的定义与分类 104
4.1.2 时间序列的组成 104
4.1.3 时间序列的平稳性与非平稳性 105
4.2 自回归模型（AR）与移动平均模型（MA）105
4.2.1 自回归模型（AR） 105
4.2.2 移动平均模型（MA） 108
4.2.3 自回归模型和移动平均模型的比较与选择 111
4.3 ARIMA 模型 112
4.3.1 ARIMA 模型的基本概念 112
4.3.2 模型识别与参数估计 114
4.4 时间序列的季节性与趋势分析 119
4.4.1 季节性分析 119
4.4.2 趋势分析 123
4.5 随机抽样与蒙特卡洛方法 125
4.5.1 随机抽样 125
4.5.2 蒙特卡洛方法 126
4.5.3 蒙特卡洛方法的优化 128
4.5.4 时间序列建模与蒙特卡洛模拟 130
4.6 课后练习 132
第5章 数据表示与预处理 134
5.1 数据统计描述与可视化 135
5.2 数据归一化与标准化 136
5.2.1 数据归一化 136
5.2.2 数据标准化 138
5.3 数据清洗与处理 141
5.3.1 异常值检测与处理 141
5.3.2 缺失值处理 144
5.3.3 数据变换与缩放 147
5.4 特征工程 150
5.4.1 特征构造与转换 150
5.4.2 特征选择的统计方法 152
5.5 课后练习 156
第6章 特征提取与选择 157
6.1 特征提取基础 158
6.1.1 特征提取的定义与目的 158
6.1.2 特征提取的方法 158
6.2 统计方法在特征提取中的应用 159
6.2.1 主成分分析（PCA） 159
6.2.2 独立成分分析 163
6.2.3 线性判别分析 166
6.3 特征选择 168
6.3.1 基于统计的特征选择方法 169
6.3.2 基于模型的特征选择方法 171
6.3.3 嵌入式特征选择方法 173
6.4 课后练习 176
第7章 网络模型架构：从理论到实践 177
7.1 网络模型解析 178
7.1.1 模型演进之路：从传统机器学习到深度学习 178
7.1.2 模型架构基础：定义标准与分类图谱 179
7.2 机器学习模型的构建与应用 182
7.2.1 线性回归模型：数据预测的基石 182
7.2.2 逻辑回归模型：二分类问题的解决之道 186
7.2.3 支持向量机（SVM）：寻找最优分类超平面 190
7.2.4 决策树：基于特征分裂的决策模型 193
7.2.5 随机森林：集成学习方法提升模型泛化能力 195
7.2.6 K- 最近邻算法模型：基于实例的学习方法 198
7.3 深度学习模型的构建与创新 202
7.3.1 前馈神经网络（FNN）：神经网络的基本形态 202
7.3.2 卷积神经网络：图像识别的强大工具 205
7.3.3 循环神经网络：处理序列数据 210
7.3.4 长短期记忆人工神经网络：解决梯度
消失与爆炸问题 213
7.3.5 生成对抗网络：生成模型的创新突破 217
7.4 课后练习 220
第8章 模型优化：从理论到实践 221
8.1 模型优化技术解析 222
8.2 基础优化算法：梯度下降与自适应学习率 222
8.2.1 梯度下降的原理与应用 222
8.2.2 自适应学习率算法的基础理论和实际应用 226
8.3 二阶优化算法的原理与应用 229
8.3.1 牛顿法与拟牛顿法 230
8.3.2 RMSprop：适应性二阶近似 233
8.3.3 二阶优化深度探索 236
8.4 正则化技术与模型泛化 239
8.4.1 正则化技术概述 239
8.4.2 L1 正则化：稀疏性约束 240
8.4.3 L2 正则化：权重衰减 242
8.4.4 Dropout：使神经元“失活” 244
8.5 超参数优化策略 247
8.5.1 超参数基础概念 247
8.5.2 贝叶斯优化：高效优化策略 247
8.6 课后练习 250
第9章 模型评估与解释：从度量到洞察 251
9.1 模型评估介绍 252
9.1.1 常用的模型评估指标 252
9.1.2 评估指标的数学基础：概率与统计原理 252
9.2 性能指标与损失函数对照 255
9.2.1 损失函数与性能指标的关联 255
9.2.2 性能指标中概率与统计的应用 256
9.3 模型解释性技术解析 260
9.3.1 模型解释性技术的核心理念 260
9.3.2 概率与统计在模型解释性技术中的应用 260
9.4 重要评估参数：灵敏度分析与梯度检查 264
9.4.1 概率与统计在灵敏度分析中的应用 264
9.4.2 梯度检查：验证反向传播的正确性 266
9.5 误差分析与模型诊断 270
9.5.1 误差分析：误差类型与来源识别 270
9.5.2 模型诊断流程：从可视化到改进策略 273
9.6 课后练习 278
第10章 计算机语言处理的数学基石：NLP 中的概率与统计实战 279
10.1 初识 NLP 280
10.1.1 NLP 的基本概念与多元应用 280
10.1.2 概率与统计在 NLP 中的关键作用 280
10.2 词嵌入的概念与应用 281
10.2.1 概率与统计在词嵌入中的作用 281
10.2.2 主流词嵌入模型介绍 281
10.3 表示学习的概念与应用 284
10.3.1 表示学习的核心思想与流程 284
10.3.2 概率与统计在表示学习中的作用 285
10.4 语言模型与序列建模的简介与应用 287
10.4.1 语言模型的应用 288
10.4.2 概率与统计在语言模型中的应用 288
10.5 注意力机制与 Transformer 的创新应用 291
10.6 课后练习 295
第11章 计算机视觉中的概率与统计应用 296
11.1 计算机视觉技术基础 297
11.1.1 计算机视觉的应用 297
11.1.2 概率与统计在视觉识别中的作用 297
11.2 图像处理与变换技术 298
11.2.1 常用的图像处理技术 298
11.2.2 图像处理：梯度计算与边缘检测 299
11.2.3 图像增强：画质提升关键技术 301
11.2.4 几何变换和图像变换技术的原理与应用 304
11.2.5 图像分割技术的原理与应用 307
11.3 特征提取与描述的原理与应用 310
11.3.1 特征提取的核心方法 310
11.3.2 概率和统计在特征提取中的应用 310
11.4 概率与统计在计算机视觉中的应用 313
11.4.1 卷积神经网络的原理与实践 313
11.4.2 分类利器：支持向量机（SVM） 316
11.4.3 图像生成与变换 319
11.5 目标检测与定位的原理与应用 323
11.5.1 传统方法回顾：早期目标检测技术盘点 323
11.5.2 基于深度学习的目标检测技术 325
11.6 课后练习 327
第 12 章 推荐系统介绍及概率和统计的作用 328
12.1 推荐系统概述 329
12.1.1 推荐系统的分类与特点 329
12.1.2 推荐系统的应用领域 329
12.1.3 概率与统计在推荐系统中的作用 330
12.2 推荐算法的原理与应用 331
12.2.1 精确匹配：基于内容的推荐 331
12.2.2 “众人之选”：基于协同过滤的推荐 333
12.3 基于标签的推荐 336
12.3.1 获取用户标签 336
12.3.2 基于用户兴趣标签的推荐算法介绍 337
12.3.3 基于物品标签的推荐算法介绍 340
12.4 基于深度学习的推荐模型 343
12.4.1 深度学习在推荐系统中的应用 343
12.4.2 基于 MLP 的推荐模型在推荐系统中的应用 343
12.4.3 基于卷积神经网络的推荐模型 348
12.5 课后练习 354
第 13 章 强化学习介绍及概率与统计的应用 356
13.1 强化学习概述 357
13.1.1 强化学习的核心机制 357
13.1.2 强化学习与其他机器学习方法的综合对比 357
13.1.3 概率与统计在强化学习中的作用 358
13.2 状态表示与动作表示的基本概念与应用 359
13.2.1 状态表示和动作表示的基本概念 359
13.2.2 概率与统计在状态表示和动作表示中的作用 359
13.3 价值函数的基本概念与应用 362
13.3.1 价值函数的基本概念 362
13.3.2 概率与统计在价值函数中的应用 363
13.4 策略表示的基本概念与应用 364
13.4.1 策略表示的基本概念 364
13.4.2 概率与统计在策略表示中的应用 365
13.5 马尔可夫决策过程的基本概念与应用 369
13.5.1 马尔可夫决策过程的核心要素 369
13.5.2 概率与统计在马尔可夫决策过程中的应用 370
13.5.3 贝尔曼方程的形式及概率与统计的作用 373
13.6 蒙特卡洛方法的基本概念与应用 380
13.6.1 蒙特卡洛方法的核心思想及概率与统计的作用 381
13.6.2 蒙特卡洛方法的改进 384
13.7 Q-Learning 算法 387
13.7.1 Q-Learning 的动作值函数 387
13.7.2 概率与统计在 Q-Learning 中的作用 388
13.8 课后练习 392
|
| 內容試閱：
|
随着人工智能（ AI ）的快速发展，概率与统计作为其核心基础理论，正发挥着不可替代的关键作用。从自动驾驶到语音助手， 从推荐系统到强化学习，无论是数据建模、算法优化， 还是结果解释，概率与统计的概念与方法无处不在。
概率论为人工智能提供了数学框架，用于处理不确定性、描述随机现象、推导因果关系；统计学则为数据分析与建模提供了强大的工具，用于揭示数据背后的规律和模式。概率与统计不仅被广泛应用于传统的机器学习和深度学习，还深度融入了自然语言处理、计算机视觉、时间序列分析、推荐系统等多个领域，帮助研究者应对大数据的复杂性和不确定性。
本书旨在系统化地梳理和讲解这些理论与方法，搭建从基础理论到实际应用的桥梁。结合经典案例和代码实践，读者不仅能够理解概率与统计的理论内涵，还能掌握如何在真实场景中使用这些工具进行建模、优化和决策。
本书的特色如下。
1. 全面系统的内容覆盖
本书系统梳理了概率论和统计学的核心知识，从基础概念到高级应用，涵盖随机变量、回归分析、时间序列建模、蒙特卡洛方法、机器学习、自然语言处理、计算机视觉等多个领域，内容全面。
2. 理论与实践并重
本书注重将数学理论与人工智能实际应用结合，通过详细的数学推导和具体的案例分析，帮助读者理解理论背后的逻辑，同时展示如何将理论应用于数据建模、算法优化和预测分析。
3. 丰富的代码示例
每章都配备了基于 Python 的代码实例，结合常用的人工智能和数据分析工具（如NumPy、 Pandas 、SciPy 等）进行讲解，让读者能快速动手实践，将理论知识内化为实际技能。
4. 专注人工智能领域应用
本书紧扣人工智能发展热点，重点讲解概率与统计在深度学习、强化学习、推荐系统、自然语言处理、计算机视觉等领域中的应用，帮助读者理解这些技术背后的数学原理。
5. 循序渐进的学习路径
从理解基础概念到掌握高级算法，由浅入深编排章节，既适合初学者入门，又适合进阶学习者夯实理论基础。
6. 课后练习巩固学习效果
每章配备针对性课后练习题，通过编程实践和开放性问题引导读者思考，锻炼读者动手能力，并通过真实案例巩固所学知识。
本书的读者对象
? 人工智能初学者：对人工智能感兴趣，希望夯实概率与统计基础、系统学习理论知识与应用技能的读者。
? 高校师生与研究人员：从事人工智能及相关领域研究，希望系统学习概率与统计在人工智能中的应用的人员。
? 数据科学与工程从业者：希望提升数据分析能力、了解概率与统计如何优化模型性能的技术人员。
? 跨领域学习者：拥有其他学科背景，欲转向人工智能领域或希望结合现有领域拓展概率与统计知识的学习者。
? 人工智能爱好者：热衷学习人工智能理论的爱好者。
致谢
首先，要向所有支持与鼓励我完成这本书的朋友和家人致以最诚挚的感谢，他们的理解与关爱为我提供了无穷的动力。其次，我要特别感谢我的导师和同事们，他们在学术研究和工作中为我提供了宝贵的指导和建议，启发了我对人工智能与概率统计深刻而系统的思考。最后，本书在编写过程中，得到了北京大学出版社各位专业编辑的大力支持，正是各位专业出版人的求实、耐心和高效率，才使得本书能够在这么短的时间内出版。本人水平和精力毕竟有限，书中存在纰漏之处在所难免，诚请读者提出宝贵的意见或建议，以便修订，使之更臻完善。
感谢您购买本书，希望本书能成为您学习路上的领航者，祝您阅读愉快！
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
