Introduction to Machine Learning : From Math to Code

個数：

予約

Introduction to Machine Learning : From Math to Code

Wang, Ruye

ウェブストア価格 ¥16,491（本体¥14,992）
Cambridge University Press（2025/09発売）
外貨定価 US$ 84.99
ポイント 149pt

現在予約受付中です。出版後の入荷・発送となります。
（重要：表示されている発売日は予定となり、発売が延期、中止、生産限定品で商品確保ができないなどの理由により、ご注文をお取消しさせていただく場合がございます。予めご了承ください。）

●3Dセキュア導入とクレジットカードによるお支払いについて

【入荷遅延について】
世界情勢の影響により、海外からお取り寄せとなる洋書・洋古書の入荷が、表示している標準的な納期よりも遅延する場合がございます。
おそれいりますが、あらかじめご了承くださいますようお願い申し上げます。

◆画像の表紙や帯等は実物とは異なる場合があります。

◆ウェブストアでの洋書販売価格は、弊社店舗等での販売価格とは異なります。
また、洋書販売価格は、ご注文確定時点での日本円価格となります。
ご注文確定後に、同じ洋書の販売価格が変動しても、それは反映されません。

製本 Hardcover:ハードカバー版／ページ数 668 p.
言語 ENG
商品コード 9781316519509
DDC分類 006.31

Full Description

Emphasizing how and why machine learning algorithms work, this introductory textbook bridges the gap between the theoretical foundations of machine learning and its practical algorithmic and code-level implementation. Over 85 thorough worked examples, in both Matlab and Python, demonstrate how algorithms are implemented and applied whilst illustrating the end result. Over 75 end-of-chapter problems empower students to develop their own code to implement these algorithms, equipping them with hands-on experience. Matlab coding examples demonstrate how a mathematical idea is converted from equations to code, and provide a jumping off point for students, supported by in-depth coverage of essential mathematics including multivariable calculus, linear algebra, probability and statistics, numerical methods, and optimization. Accompanied online by instructor lecture slides, downloadable Python code and additional appendices, this is an excellent introduction to machine learning for senior undergraduate and graduate students in Engineering and Computer Science.

Part I. Mathematical Foundations: 1. Solving Equations; 2. Unconstrained Optimization; 3. Constrained Optimization; Part II. Regression: 4. Bias-Variance Tradeoff and Overfitting vs Underfitting; 5. Linear Regression; 6. Nonlinear Regression; 7. Logistic and Softmax Regression; 8. Gaussian Process Regression and Classification; Part III. Feature Extraction: 9. Feature Selection; 10. Principal Component Analysis; 11. Variations of PCA; 12. Independent Component Analysis; Part IV. Classification: 13. Statistic Classification; 14. Support Vector machine; 15. Clustering Analysis; 16. Hierarchical Classifiers; 17. Biologically Inspired Networks; 18. Perceptron-Based Networks; 19. Competition-Based Networks; Part VI. Reinforcement Learning: 20. Introduction to Reinforcement Learning; Part VII. Large Language Models: 21. Large Language Models; Appendix A. A Review of Linear Algebra; Appendix B. A Review of Probability and Statistics.