好书推荐 好书速递 排行榜 读书文摘

数学之美 (第二版)

数学之美 (第二版)
作者:[美] 吴军
出版社:人民邮电出版社
出版年:2014-11
ISBN:9787115373557
行业:学术研究
浏览数:89

内容简介

几年前,“数学之美”系列文章原刊载于谷歌黑板报,获得上百万次点击,得到读者高度评价。读者说,读了“数学之美”,才发现大学时学的数学知识,比如马尔可夫链、矩阵计算,甚至余弦函数原来都如此亲切,并且栩栩如生,才发现自然语言和信息处理这么有趣。

在纸本书的创作中,作者吴军博士几乎把所有文章都重写了一遍,为的是把高深的数学原理讲得更加通俗易懂,让非专业读者也能领略数学的魅力。读者通过具体的例子学到的是思考问题的方式 —— 如何化繁为简,如何用数学去解决工程问题,如何跳出固有思维不断去思考创新。

第二版增加了针对大数据和机器学习的内容,以便满足人们对当下技术的学习需求;同时,根据专家和读者的反馈更正了一些错漏,并更新了部分内容。

《数学之美》第一版荣获国家图书馆第八届文津图书奖;

入选广电总局“2014年向全国青少年推荐百种优秀图书书目”;

荣获2012-2013年度全行业优秀畅销书;

《浪潮之巅》、《文明之光》作者吴军博士最新力作,李开复作序推荐,Google黑板报百万点击!

新版增加了大数据和机器学习等最新内容,以满足人们对当下技术的学习需求;同时,根据专家和读者的反馈更正了错漏,并更新了部分内容

......(更多)

作者简介

吴军博士,毕业于清华大学和美国约翰•霍普金斯大学,是著名自然语言处理和搜索专家,硅谷风险投资人。获奖畅销书《浪潮之巅》及《数学之美》的作者。

吴军博士是谷歌公司早期员工之一。在谷歌,他和辛格(美国工程院院士,世界著名搜索专家)、Matt Cutts(谷歌反作弊官方发言人)等三位同事一起开创了网络搜索反作弊的研究领域,并因此获得谷歌工程奖。2003年,他和谷歌全球架构的总工程师朱会灿博士等共同成立了中日韩文搜索部门。吴军博士是当前谷歌中日韩文搜索算法的主要设计者。在谷歌期间,他还领导了许多研发项目,得到了当时公司首席执行官埃里克•施密特和创始人谢尔盖•布林的高度评价。

2010年—2012年,他加盟腾讯公司,出任负责搜索和搜索广告的副总裁,同时担任国家重大专项“新一代搜索引擎和浏览器”项目的总负责人。2012年回到谷歌,负责开发了被认为是“下一代搜索”的谷歌自动问答系统。同年,他作为创始合伙人共同创立了中关村硅谷风险投资基金(ZPark Venture)。

吴军博士在国内外发表过数十篇论文,曾获得全国人机语音智能接口会议的最佳论文奖和Eurospeech的最佳论文奖。他还获得了十余项美国和国际专利。

吴军博士还担任约翰•霍普金斯大学工学院董事会董事和校国际事务委员会顾问,他也长期担任中国工业和信息化部的专家顾问。同时,他也是数家投资基金、创业公司的董事和顾问。

......(更多)

目录

第二版出版说明

序言1

序言2

前言

第1 章 文字和语言 vs 数字和信息

第2 章 自然语言处理 — 从规则到统计

第3 章 统计语言模型

第4 章 谈谈分词

第5 章 隐含马尔可夫模型

第6 章 信息的度量和作用

第7 章 贾里尼克和现代语言处理

第8 章 简单之美 — 布尔代数和搜索引擎

第9 章 图论和网络爬虫

第10章 PageRank — Google的民主表决式网页排名技术

第11章 如何确定网页和查询的相关性

第12章 有限状态机和动态规划 — 地图与本地

第13章 Google AK-47 的设计者 — 阿米特· 辛格博士

第14章 余弦定理和新闻的分类

第15章 矩阵运算和文本处理中的两个分类问题

第16章 信息指纹及其应用

第17章 由电视剧《暗算》所想到的 — 谈谈密码学的数学原理

第18章 闪光的不一定是金子 — 谈谈搜索引擎

第19章 谈谈数学模型的重要性

第20章 不要把鸡蛋放到一个篮子里 — 谈谈最

第21章 拼音输入法的数学原理

第22章 自然语言处理的教父马库斯和他的优秀弟子们

第23章 布隆过滤器

第24章 马尔可夫链的扩展 — 贝叶斯网络

第25章 条件随机场、文法分析及其他

第26章 维特比和他的维特比算法

第27章 上帝的算法 — 期望最大化算法

第28章 逻辑回归和搜索广告

第29章 各个击破算法和Google 云计算的基础

第30章 Google 大脑和人工神经网络

第31章 大数据的威力——谈谈数据的重要性

附录

后记

索引

......(更多)

读书文摘

1. 一个正确的数学模型应当在形式上是简单的. 2. 一个正确的模型一开始可能还不如一个精雕细琢过的错误模型来的准确, 但是, 如果我们认定大方向是对的, 就应该坚持下去. 3. 大量准确的数据对研发很重要. 4. 正确的模型也可能受噪音干扰, 而显得不准确; 这时不应该用一种凑合的修正方法来弥补它, 而是要找到噪音的根源, 这也许能通往重大的发现.

......(更多)

猜你喜欢

点击查看