人工智能數學基礎

出版說明 \n
前言 \n
第1章矩陣理論 \n
11線性空間 \n
111向量的運算 \n
112線性相關 \n
113基 \n
114直和 \n
12內積和投影 \n
121標準正交基 \n
122投影 \n
123格蘭姆-施密特正交化方法 \n
124正交和 \n
13分塊矩陣及其代數運算 \n
131分塊矩陣的運算 \n
132分塊矩陣的逆 \n
133初等變換下的標準形 \n
14特征根與特征向量 \n
141跡 \n
142哈密頓-凱萊定理 \n
143譜分解 \n
144冪等矩陣 \n
15對稱矩陣的特征根與特征向量 \n
151對稱矩陣的譜分解 \n
152對稱矩陣的同時對角化 \n
153對稱矩陣特征根的極值特性 \n
16半正定矩陣 \n
161同時對角化與相對特征根 \n
162相對特征根的極值特性 \n
163ATA與A,AT的關系 \n
164投影矩陣 \n
17矩陣的廣義逆 \n
171A－ \n
172A+ \n
173線性方程組的解 \n
174投影 \n
18計算方法 \n
181(i,j）消去變換法 \n
182求對稱矩陣的特征值、特征向量的 \n
雅可比法 \n
19矩陣微商 \n
110矩陣的標準形 \n
1101埃爾米特標準形 \n
1102正交、三角分解 \n
1103左正交分解 \n
1104Cholesky分解 \n
1105奇異值分解 \n
第2章優(yōu)化的基礎概念 \n
21引言 \n
22優(yōu)化問題 \n
221優(yōu)化問題的數學模型 \n
222優(yōu)化問題舉例 \n
23優(yōu)化數學基礎 \n
231序列的極限 \n
232梯度、黑塞矩陣和泰勒展開 \n
24凸集和凸函數 \n
241凸集 \n
242凸集分離定律 \n
243凸函數 \n
244凸規(guī)劃 \n
第3章線性規(guī)劃 \n
31線性規(guī)劃問題的數學模型 \n
311線性規(guī)劃模型的標準形 \n
312一般線性規(guī)劃化為標準形 \n
32線性規(guī)劃解的基本概念和性質 \n
321線性規(guī)劃解的概念 \n
322線性規(guī)劃解的性質 \n
33圖解法 \n
34單純形法 \n
341單純形法原理 \n
342單純形法的算法步驟 \n
35人工變量法 \n
351大M法 \n
352兩階段法 \n
36退化情形 \n
361循環(huán)現象 \n
362攝動法 \n
37修正單純形法 \n
第4章線性規(guī)劃對偶理論 \n
41對偶問題的提出 \n
42原問題與對偶問題的關系 \n
421對稱形式的對偶問題 \n
422非對稱形式的對偶問題 \n
423一般情形 \n
43對偶問題的基本定理 \n
44對偶單純形法 \n
441基本對偶單純形法 \n
442人工對偶單純形法 \n
45靈敏度分析 \n
451改變系數向量c \n
452改變右端向量b \n
453改變約束矩陣A \n
454增加新約束 \n
第5章優(yōu)性條件 \n
51無約束問題的優(yōu)性條件 \n
511無約束問題的必要條件 \n
512無約束問題的充分條件 \n
513無約束問題的充要條件 \n
52約束問題的優(yōu)性條件 \n
521不等式約束問題的優(yōu)性條件 \n
522一般約束問題的優(yōu)性條件 \n
第6章算法 \n
61基本迭代公式 \n
62算法的收斂性問題 \n
621算法的收斂性 \n
622收斂速率 \n
623算法的二次終止性 \n
63算法的終止準則 \n
第7章二次規(guī)劃 \n
71二次規(guī)劃的概念與性質 \n
72等式約束二次規(guī)劃 \n
721拉格朗日乘子法 \n
722直接消元法 \n
73有效集法 \n
731有效集法的基本步驟 \n
732有效集算法 \n
74Lemke方法 \n
第8章概率與信息論 \n
81概述 \n
82隨機變量 \n
83概率分布 \n
831離散型隨機變量和概率 \n
質量函數 \n
832連續(xù)型隨機變量和概率 \n
密度函數 \n
84邊緣概率 \n
85條件概率 \n
86條件概率的鏈式法則 \n
87獨立性和條件獨立性 \n
88期望、方差和協(xié)方差 \n
89常用概率分布 \n
891伯努力分布 \n
892多項式分布 \n
893高斯分布 \n
894指數分布和拉普拉斯分布 \n
895Dirac分布和經驗分布 \n
896分布的混合 \n
810幾個關鍵函數 \n
811貝葉斯規(guī)則 \n
812連續(xù)型隨機變量的技術細節(jié) \n
813信息論 \n
814結構化概率模型 \n
第9章多元正態(tài)分布 \n
91多元分布的基本概念 \n
911隨機向量 \n
912分布函數與密度函數 \n
913多元變量的獨立性 \n
914隨機向量的數字特征 \n
92統(tǒng)計距離 \n
93多元正態(tài)分布的定義和性質 \n
931多元正態(tài)分布的定義 \n
932多元正態(tài)分布的性質 \n
933條件分布和獨立性 \n
94均值向量和協(xié)方差矩陣的估計 \n
95常用分布及抽樣分布 \n
951χ2分布與威沙特分布 \n
952t分布與T2分布 \n
953中心F分布與Wilks分布 \n
第10章均值向量與協(xié)方差矩陣 \n
的檢驗 \n
101均值向量的檢驗 \n
1011一個指標檢驗的回顧 \n
1012多元均值檢驗 \n
1013兩總體均值的比較 \n
1014多總體均值的檢驗 \n
102協(xié)方差矩陣的檢驗 \n
1021檢驗Σ=Σ0 \n
1022檢驗Σ1=Σ2=..=Σr \n
第11章聚類分析 \n
111聚類分析的基本思想 \n
1111概述 \n
1112聚類的目的 \n
112相似性度量 \n
113類和類的特征 \n
114系統(tǒng)聚類法 \n
1141短距離法和長距離法 \n
1142重心法和類平均法 \n
1143離差平方和法（或稱Ward \n
方法） \n
1144分類數的確定 \n
1145系統(tǒng)聚類法的統(tǒng)一 \n
115模糊聚類分析 \n
1151模糊聚類的幾個基本概念 \n
1152模糊分類關系 \n
1153模糊聚類分析計算步驟 \n
第12章判別分析 \n
121判別分析的基本思想 \n
122距離判別 \n
1221兩總體情況 \n
1222多總體情況 \n
123貝葉斯判別 \n
124費希爾判別 \n
第13章主成分分析 \n
131主成分分析的基本原理 \n
1311主成分分析的基本思想 \n
1312主成分分析的基本理論 \n
1313主成分分析的幾何意義 \n
132總體主成分及其性質 \n
1321從協(xié)方差矩陣出發(fā)求解 \n
主成分 \n
1322主成分的性質 \n
1323從相關矩陣出發(fā)求解主成分 \n
1324由相關矩陣求主成分時主成 \n
分性質的簡單形式 \n
133樣本主成分的導出 \n
134有關問題的討論 \n
1341關于由協(xié)方差矩陣或相關矩陣 \n
出發(fā)求解主成分 \n
1342主成分分析不要求數據來 \n
自正態(tài)總體 \n
1343主成分分析與重疊信息 \n
135主成分分析步驟及框圖 \n
1351主成分分析步驟 \n
1352主成分分析的邏輯框圖 \n
第14章因子分析 \n
141因子分析的基本理論 \n
1411因子分析的基本思想 \n
1412因子分析的基本理論及模型 \n
142因子載荷的求解 \n
1421主成分法 \n
1422主軸因子法 \n
1423極大似然法 \n
1424因子旋轉 \n
1425因子得分 \n
1426主成分分析與因子分析的 \n
區(qū)別 \n
143因子分析的步驟與邏輯框圖 \n
1431因子分析的步驟 \n
1432因子分析的邏輯框圖 \n
第15章對應分析 \n
151列聯表及列聯表分析 \n
152對應分析的基本理論 \n
1521有關概念 \n
1522R型因子分析與Q型因子分析的 \n
對等關系 \n
1523對應分析應用于定量變量的 \n
情況 \n
1524需要注意的問題 \n
153對應分析的步驟及邏輯框圖 \n
1531對應分析的步驟 \n
1532對應分析的邏輯框圖 \n
第16章典型相關分析 \n
161典型相關分析的基本理論 \n
1611典型相關分析的統(tǒng)計思想 \n
1612典型相關分析的基本理論 \n
及方法 \n
162典型相關分析的步驟及 \n
邏輯框圖 \n
參考文獻 \n