拥有 机器学习 标签的文章 共 4 条数据

《机器学习在线解析阿里云机器学习平台》杨旭著 PDF下载
编程书籍

《机器学习在线解析阿里云机器学习平台》杨旭著 PDF下载

173次浏览 0条评论

近几年,机器学习平台获得了飞速发展,积累了大量高效的机器学习算法组件,基于这些组件可以快速实现业务流程、解决具体问题。阿里云机器学习平台的丰富算法功能可以在线使用,不需要购买硬件,不需要安装配置各种环境;数据和计算资源一直处在“在线”状态,不必担心数据太大或计算资源不足的问题。机器学习平台降低了我们使用机器学习知识的门槛,将各个算法作为组件,即使不了解背后的理论知识,仍可以仿照书中实例,将组件连接起来解决一些实际问题。《机器学习在线:解析阿里云机器学习平台》适合机器学习算法的初学者及中级用户快速入门,在机器学习实践中学习。第1章 阿里云机器学习 11.1 产品特点 11.2 名词解释 21.3 构建机器学习实验 31.3.1 新建实验 31.3.2 使用组件搭建工作流 41.3.3 运行实验、查看结果 51.3.4 模型部署、在线预测 6第2章 商家作弊行为检测 72.1 数据探索 82.2 建模、预测和评估 152.3 尝试其他分类模型 192.4 判断商家作弊 24第3章 生存预测 273.1 数据集一 273.1.1 特征分析 283.1.2 生存预测 333.2 数据集二 36

《机器学习实战:基于Scikit-Learn和TensorFlow》高清PDF下载
编程书籍

《机器学习实战:基于Scikit-Learn和TensorFlow》高清PDF下载

207次浏览 0条评论

本书主要分为两个部分。第一部分为第1章到第8章,涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等,帮助读者掌握Scikit-Learn的常用方法;第二部分为第9章到第16章,探讨深度学习和常用框架TensorFlow,一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络,以及卷积神经网络。前言1第一部分 机器学习基础第1章 机器学习概览11什么是机器学习12为什么要使用机器学习12机器学习系统的种类15监督式/无监督式学习16批量学习和在线学习21基于实例与基于模型的学习24机器学习的主要挑战29训练数据的数量不足29训练数据不具代表性30质量差的数据32无关特征32训练数据过度拟合33训练数据拟合不足34退后一步35测试与验证35练习37第2章 端到端的机器学习项目39使用真实数据39观察大局40框架问题41选择性能指标42检查假设45获取数据45创建工作区45下载数据48快速查看数据结构49创建测试集52从数据探索和可视化中获得洞见56将地理数据可视化57寻找相关性59试验不同属性的组合61机器学习算法的数据准备62数据清理63处理文本和分类属性65自

机器学习 周志华版 PDF下载
编程书籍

机器学习 周志华版 PDF下载

146次浏览 0条评论

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.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.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书.书中除第1章外, 每章都给出了十道习题. 有的习题

图灵程序设计丛书 《Java机器学习》PDF下载
编程书籍

图灵程序设计丛书 《Java机器学习》PDF下载

186次浏览 0条评论

本书介绍如何使用Java创建并实现机器学习算法,既有基础知识,又提供实战案例。主要内容包括:机器学习基本概念、原理,Weka、Mahout、Spark等常见机器学习库的用法,各类机器学习常见任务,包括分类、预测预报、购物篮分析、检测异常、行为识别、图像识别以及文本分析。最后还提供了相关Web资源、各种技术研讨会议以及机器学习挑战赛等进阶所需内容。目录第1章 机器学习应用快速入门  11.1 机器学习与数据科学  11.1.1 机器学习能够解决的问题  21.1.2 机器学习应用流程  31.2 数据与问题定义  41.3 数据收集  51.3.1 发现或观察数据  51.3.2 生成数据  61.3.3 采样陷阱  71.4 数据预处理  71.4.1 数据清洗  81.4.2 填充缺失值  81.4.3 剔除异常值  81.4.4 数据转换  91.4.5 数据归约  101.5 无监督学习  101.5.1 查找相似项目  101.5.2 聚类  121.6 监督学习  131.6.1 分类  141.6.2 回归  161.7 泛化与评估  181.8 小结  21第2章 面向机