完善资料让更多小伙伴认识你，还能领取20积分哦， 立即完善>
3天内不再提示
157479
|
` 1.机器学习 
简介： 机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介. 目录： 全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 2.机器学习实战
简介： 机器学习是人工智能研究领域中一个极其重要的研究方向，在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式，成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。 本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。 目录： 第一部分 分类 第1章 机器学习基础 2 第2章 k-近邻算法 15 第3章 决策树 32 第4章 基于概率论的分类方法：朴素贝叶斯 53 第5章 Logistic回归 73 第6章 支持向量机 89 第7章 利用AdaBoost元算法提高分类 第二部分 利用回归预测数值型数据 第8章 预测数值型数据：回归 136 第9章 树回归 159 第三部分 无监督学习 第10章 利用K-均值聚类算法对未标注数据分组 184 第11章 使用Apriori算法进行关联分析 200 第12章 使用FP-growth算法来高效发现频繁项集 223 第四部分 其他工具 第13章 利用PCA来简化数据 242 第14章 利用SVD简化数据 252 第15章 大数据与MapReduce 270 附录A Python入门 294 附录B 线性代数 303 附录C 概率论复习 309 附录D 资源 312 索引 313 版权声明 316 工程师和数据科学家处理大量各种格式（如传感器、图像、视频、遥测、数据库等）的数据。他们使用机器学习来寻找数据中的模式，并建立基于历史数据预测未来结果的模型。使用 matlab，您可以立即访问预置的函数、大量的工具箱以及用于分类、回归和聚类的专门应用程序。您可以：
听说，最近有一个深圳地区线下学习和交流的技术讲座，有好几位在业内有10多年技术背景的资深大牛齐齐开课，帮助大家快速地学习和应用人工智能技术。电子发烧友网为大家谋福利，开放30个免费名额，速度扫码报名。无法到现场的，欢迎加微信时备注下-直播，进微信群分享相关的直播链接。 参加此次活动，您将了解 MathWorks 产品的最新技术进展，有机会与相关领域应用专家面对面沟通如何高效利用 MATLAB 和 Simulink 进行专业领域研究和产品化设计。 2018 MATLAB 和 Simulink 技术研讨会——MathWorks资深技术大神开课啦！名额有限，报名从速！前30名工程师凭报名截图+名单，加小编微信领取大礼包【暗号-大礼包：***】！ 【免费名额30个】手把手教你快速学习和应用人工智能技术 `
23
|
|
|
最近下载过的用户(396)
相关推荐
|
|
|
· 2018-1-2 15:29:22
|
|
|
|
|
|
|
|
/6 
关注我们的微信
下载发烧友APP
电子发烧友观察
版权所有 © 湖南华秋数字科技有限公司
电子发烧友 （电路图） 湘公网安备 43011202000918 号 电信与信息服务业务经营许可证：合字B2-20210191
工商网监
湘ICP备2023018690号
淘帖
2218
发表评论
赞
回复
