數據科學基礎（英文版）

定　價：￥76.00

作　者：	（美）阿夫里姆-布盧姆，（美）約翰-霍普克羅夫特，（印度）拉文德蘭-坎南
出版社：	上海交通大學出版社
叢編項：	大數據與計算機科學系列教材
標　簽：	工業(yè)技術自動化技術

購買這本書可以去

京東 (￥76.00)

ISBN：	9787313182449	出版時間：	2018-01-01	包裝：
開本：		頁數：		字數：

內容簡介

　　《數據科學基礎（英文版）》是“大數據與計算機科學”系列教材之一，由國際著名計算機科學家約翰·霍普克羅夫特教授、阿夫里姆·布魯姆教授和拉文德蘭·坎南教授共同撰寫?！稊祿茖W基礎（英文版）》包含了高維空間、奇異值分解、隨機行走和馬爾可夫鏈、機器學習、大數據問題的算法、聚類隨機圖等主要內容。全書極大部分的結論都有嚴格的證明，且從第2章開始，每章后面均附有適量的練習題?！稊祿茖W基礎（英文版）》可作為計算機及其相關專業(yè)本科生或研究生的教材，也可供專業(yè)技術人員參考。

作者簡介

　　作者：（美）阿夫里姆·布魯姆作者：約翰·霍普克羅夫特作者：（?。├牡绿m·坎南阿夫里姆·布魯姆，豐田工業(yè)大學芝加哥分校教授兼首席學術官，1996年擔任COLT’96程序委員會主席，2000年擔任FOCS’OO程序委員會主席。2007年成為美國計算機協(xié)會研究員，2011年獲得計算機科學院赫伯特·西蒙教學獎。約翰·霍普克羅夫特，曾獲得1986年圖靈獎、2005年電氣與電子工程師協(xié)會哈里古德紀念獎、2007年計算研究協(xié)會杰出服務獎、2009年計算機協(xié)會Karl V.Karlstrom杰出教育家獎、2010年電氣與電子工程師協(xié)會約翰·馮·諾依曼獎章，以及2016年中國友誼獎章，這是中國對外國人的最高認可。此外，中國科學院還將他任命為愛因斯坦講席教授。拉文德蘭·坎南，印度班加羅爾微軟研究院首席研究員，曾任耶魯大學計算機科學系教授兼應用數學系教授、卡內基梅隆大學教授。1991年獲得由美國數學學會和數學規(guī)劃學會聯(lián)合授予的離散數學?？松?，2011年獲得計算機協(xié)會高德納獎，2015年當選美國藝術與科學院院士。

圖書目錄

1 Introduction

2 High-Dimensional Space
2．1 Introduction
2．2 The Law of Large Numbers
2．3 The Geometry of High Dimensions
2．4 Properties of the Unit Ball
2．4．1 Volume of the Unit Ball
2．4．2 Volume Near the Equator
2．5 Generating Points Uniformly at Random from a Ball
2．6 Gaussians in High Dimension
2．7 Random Projection and Johnson-Lindenstrauss Lemma
2．8 Separating Gaussians
2．9 Fitting a Spherical Gaussian to Data
2．10 Bibliographic Notes
2．11 Exercises

3 Best-Fit Subspaces and Singular Value Decomposition （SVD）
3．1 Introduction
3．2 Preliminaries
3．3 Singular Vectors
3．4 Singular Value Decomposition （SVD）
3．5 Best Rank-k Approximations
3．6 Left Singular Vectors
3．7 Power Method for Singular Value Decomposition
3．8 Singular Vectors and Eigenvectors
3．9 Applications of Singular Value Decomposition
3．9．1 Centering Data
3．9．2 Principal Component Analysis
3．9．3 Clustering a Mixture of Spherical Gaussians
3．9．4 Ranking Documents and Web Pages
3．9．5 An Application of SVD to a Discrete Optimization Problem
3．10 Bibliographic Notes
3．11 Exercises

4 Random Walks and Markov Chains
4．1 Stationary Distribution
4．2 Markov Chain Monte Carlo
4．2．1 Metropolis-Hasting Algorithm
4．2．2 Gibbs Sampling
4．3 Areas and Volumes
4．4 Convergence of Random Walks on Undirected Graphs
4．5 Electrical Networks and Random Walks
4．6 Random Walks on Undirected Graphs with Unit Edge Weights
4．7 Random Walks in Euclidean Space
4．8 The Web as a Markov Chain
4．9 Bibliographic Notes
4．10 Exercises

5 Machine Learning
5．1 Introduction
5．2 Overfitting and Uniform Convergence
5．3 Illustrative Examples and Occams Razor
5．3．1 Learning Disjunctions
5．3．2 Occams Razor
5．3．3 Application： Learning Decision Trees
5．4 Regularization： Penalizing Complexity
5．5 Online Learning and the Perceptron Algorithm
……

6 Algorithms for Massive Data Problems： Streaming， Sketching， and Sampling
7 Clustering
8 Random Graphs
9 Topic Models， Non-Negative Matrix Factorization， Hidden Markov Models， and Graphical Models
10 Other Topics
11 Wavelets
12 Appendices

References
Index