4036次浏览
推荐系统是为用户推荐所需物品的软件工具和技术,对于在线处理信息过载是一个非常有价值的方法,并成为电子商务领域最强大和流行的工具之一。本书融合不同领域专家学者的理论成果和实践经验,从推荐系统相关技术、推荐系统的应用与评估、推荐系统的交互、推荐系统和社区及高级算法5个方面介绍推荐系统的主要概念、理论、方法、趋势、挑战和应用,详细阐释如何支持用户决策、计划和购买过程,帮助你梳理推荐系统的相关知识体系,并理解推荐系统的原理、算法及实现。推荐序一 推荐序二 译者序 前言 第1章 概述 1 1.1 简介 1 1.2 推荐系统的功能 3 1.3 数据和知识资源 5 1.4 推荐技术 7 1.5 应用与评价 10 1.6 推荐系统与人机交互 12 1.6.1 信任、解释和说服力 13 1.6.2 会话系统 13 1.6.3 可视化 14 1.7 推荐系统是个交叉学科领域 15 1.8 出现的问题和挑战 16 1.8.1 本书对出现的问题的讨论 16 1.8.2 挑战 18 参考文献 20 第一部分 基础技术 第2章 推荐系统中的数据挖掘方法 28 2.1 简介 28 2.2 数据预处理 29 2.2.
3796次浏览
本书是英文第4版的中文翻译,大约有五分之一的内容更新。主要更新的内容包括:增加了一些最新的算法,增加了习题部分,重写了部分内容。更为具体的内容更新请参考作者序。 本书是在第3版中文翻译的基础上,按照直译的原则进行翻译的,与英文版形成完全的对照。对于英文版中明显存在的排印或疏忽类的错误,都进行了更正。由于这些错误一般都很明显,因此译文中没有专门声明,读者如果对照英文版,不难看出其出处。第1章 引言 1第2章 图像及其表达与性质 9第3章 图像及其数学与物理背景 37第4章 图像分析的数据结构 73第5章 图像预处理 85第6章 分割Ⅰ 130第7章 分割Ⅱ 185第8章 形状表示与描述 237第9章 物体识别 278第10章 图像理解 335第11章 3D几何,对应,从亮度到3D 419第12章 3D视觉的应用 464第13章 数学形态学 493第14章 图像数据压缩 520第15章 纹理 537第16章 运动分析 566
3854次浏览
本书是英文第4版的中文翻译,大约有五分之一的内容更新。主要更新的内容包括:增加了一些最新的算法,增加了习题部分,重写了部分内容。更为具体的内容更新请参考作者序。 本书是在第3版中文翻译的基础上,按照直译的原则进行翻译的,与英文版形成完全的对照。对于英文版中明显存在的排印或疏忽类的错误,都进行了更正。由于这些错误一般都很明显,因此译文中没有专门声明,读者如果对照英文版,不难看出其出处。第1章 引言 1第2章 图像及其表达与性质 9第3章 图像及其数学与物理背景 37第4章 图像分析的数据结构 73第5章 图像预处理 85第6章 分割Ⅰ 130第7章 分割Ⅱ 185第8章 形状表示与描述 237第9章 物体识别 278第10章 图像理解 335第11章 3D几何,对应,从亮度到3D 419第12章 3D视觉的应用 464第13章 数学形态学 493第14章 图像数据压缩 520第15章 纹理 537第16章 运动分析 566
4286次浏览
全面讨论机器学习方法和技术,层次合理、叙述清晰、难度适中。涵盖了经典的机器学习算法和理论,同时补充了近年来新出现的机器学习方法。最佳的机器学习入门教材。《机器学习导论(原书第2版)》讨论了机器学习在统计学、模式识别、神经网络、人工智能、信号处理等不同领域的应用,其中涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较以及增强学习。《机器学习导论(原书第2版)》可供完成计算机程序设计、概率论、微积分和线性代数课程的高年级本科生和研究生使用,也可供对机器学习感兴趣的工程技术人员参考。Introduction to Machine Learning,Second Edition 出版者的话 中文版序 译者序 前言 致谢 关于第2版 符号表 第1章 绪论1 1.1 什么是机器学习1 1.2 机器学习的应用实例3 1.2.1 学习关联性3 1.2.2 分类3 1.2.3 回归6 1.2.4 非监督学习7 1.2.5 增强学习8 1.3 注释8 1.4 相关资源10 1.5 习题11 1.6 参考文献12 第2章 监督学习13 2.1 由实例
3408次浏览
本书介绍了机器学习系统设计的整个过程,以及相关的Python库,并在各个知识环节中都给出了Python示例,为设计高效机器学习系统提供详实指南。本书共9章,第1章介绍机器学习的设计原理和相关模型;第2章讲解Python中众多针对机器学习任务的程序包;第3章涵盖大数据、数据属性、数据源、数据处理和分析等主题,介绍基本的数据类型、结构和属性;第4章探索最常见的机器学习模型,即逻辑模型、树状模型和规则模型;第5章研究机器学习最常用的技术,创建线性回归和Logistic回归的假设语句;第6章介绍人工神经网络算法;第7章讨论特征的不同类型,即定量特征、有序特征和分类特征,以及如何结构化和变换特征;第8章介绍主要的集成方法及其在Scikit-learn中的实现;第9章介绍模型选择和参数调优技术,并将这些技术应用于一些案例研究之中。CONTENTS 目录 译者序 前言 第1章 机器学习的思维1 1.1 人机界面1 1.2 设计原理4 1.2.1 问题的类型6 1.2.2 问题是否正确7 1.2.3 任务8 1.2.4 统一建模语言27 1.3 总结31 第2章 工具和技术32 2.1 Python与
3468次浏览
机器学习正在迅速改变我们的世界。我们几乎每天都会读到机器学习如何改变日常的生活。如果你在淘宝或者京东这样的电子商务网站购买商品,或者在爱奇艺或是腾讯视频这样的视频网站观看节目,甚至只是进行一次百度搜索,就已经触碰到了机器学习的应用。使用这些服务的用户会产生数据,这些数据会被收集,在进行预处理之后用来训练模型,而模型会通过这些数据来提供更好的用户体验。此外,目前还有很多使用机器学习技术的产品或服务即将在我们的生活当中普及,如能够解放双手的无人驾驶汽车、聪明伶俐的智能家居产品、善解人意的导购机器人等。可以说要想深入机器学习的应用开发当中,现在就是一个非常理想的时机。本书内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识,从内容结构上非常注重知识的实用性和可操作性。全书采用由浅入深、循序渐进的讲授方式,完全遵循和尊重初学者对机器学习知识的认知规律。本书适合有一定程序设计语言和算法基础的读者学习使用。目 录 第1章 概 述 1.1 什么是机器学习——从一个小故事开始 / 002 1.2 机器学习的一些应用场景——蝙蝠公司的业务单元 / 003 1.3 机器学
4128次浏览
《深入浅出强化学习:原理入门》用通俗易懂的语言深入浅出地介绍了强化学习的基本原理,覆盖了传统的强化学习基本方法和当前炙手可热的深度强化学习方法。开篇从最基本的马尔科夫决策过程入手,将强化学习问题纳入到严谨的数学框架中,接着阐述了解决此类问题最基本的方法——动态规划方法,并从中总结出解决强化学习问题的基本思路:交互迭代策略评估和策略改善。基于这个思路,分别介绍了基于值函数的强化学习方法和基于直接策略搜索的强化学习方法。最后介绍了逆向强化学习方法和近年具有代表性、比较前沿的强化学习方法。除了系统地介绍基本理论,书中还介绍了相应的数学基础和编程实例。因此,《深入浅出强化学习:原理入门》既适合零基础的人员入门学习、也适合相关科研人员作为研究参考。1 绪论 1 1.1 这是一本什么书 1 1.2 强化学习可以解决什么问题 2 1.3 强化学习如何解决问题 4 1.4 强化学习算法分类及发展趋势 5 1.5 强化学习仿真环境构建 7 1.5.1 gym安装及简单的demo示例 8 1.5.2 深入剖析gym环境构建 10 1.6 本书主要内容及安排 12 第一篇 强化学习基础 17 2 马尔科夫决
5159次浏览
本书的内容设置由浅入深,从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者,还是有一定经验的从业人员,相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍,本书引入了已被实践证明效果较好的深度学习推荐技术,包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用,并给出了相关的实践代码;除了在算法层面讲解推荐系统的实现,还从工程层面详细阐述推荐系统如何搭建.第1 章什么是推荐系统1 1.1 推荐系统的概念.1 1.1.1 推荐系统的基本概念1 1.1.2 深度学习与推荐系统4 第2 章深度神经网络.7 2.1 什么是深度学习.7 2.1.1 深度学习的三次兴起7 2.1.2 深度学习的优势9 2.2 神经网络基础11 2.2.1 神经元11 2.2.2 神经网络.12 2.2.3 反向传播.13 2.2.4 优化算法.14 2.3 卷积网络基础17 2.3.1 卷积层17 2.3.2 池化层19 2.3.3 常见的网络结构19 2.4 循环网络基础21 2.4.1 时序反向传播算法22 2.4.2 长短时记忆网络24 2.5 生成对抗基础25 2.
5835次浏览
深度学习,特别是深度卷积神经网络是人工智能的重要分支领域,卷积神经网络技术也被广泛应用于各种现实场景,在许多问题上都取得了超越人类智能的结果。本书作为该领域的入门书籍,在内容上涵盖深度卷积神经网络的基础知识和实践应用两大方面。《解析深度学习:卷积神经网络原理与视觉实践》共14 章,分为三个部分:第一部分为绪论;第二部分 (第1~4 章)介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基础理论内容;第三部分(第5~14 章)介绍深度卷积神经网络自数据准备开始,到模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处理,最终到模型集成等实践应用技巧和经验。《解析深度学习:卷积神经网络原理与视觉实践》并不是一本编程类书籍,而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构建针对自身应用问题的深度卷积神经网络。《解析深度学习:卷积神经网络原理与视觉实践》可作为深度学习和卷积神经网络爱好者的入门书籍,也可供没有机器学习背景但希望能快速掌握该方面知识并将其应用于实际问题的各行从业者阅读参考。第一部分绪论1 0.1 引言 . 2 0.2 什么是
5700次浏览
概率图模型将概率论与图论相结合,是当前非常热门的一个机器学习研究方向。本书详细论述了有向图模型(又称贝叶斯网)和无向图模型(又称马尔可夫网)的表示、推理和学习问题,全面总结了人工智能这一前沿研究领域的最新进展。为了便于读者理解,书中包含了大量的定义、定理、证明、算法及其伪代码,穿插了大量的辅助材料,如示例(examples)、技巧专栏(skill boxes)、实例专栏(case study boxes)、概念专栏(concept boxes)等。另外,在第 2章介绍了概率论和图论的核心知识,在附录中介绍了信息论、算法复杂性、组合优化等补充材料,为学习和运用概率图模型提供了完备的基础。本书可作为高等学校和科研单位从事人工智能、机器学习、模式识别、信号处理等方向的学生、教师和研究人员的教材和参考书。== 序 言 ==很高兴能够看到我们所著的《概率图模型》一书被翻译为中文出版。我们了解到这本书涵盖的课题已在中国引起了巨大的兴趣。已有众多中国读者写信向我们解释这本书对于他们的学习的重要性,并希望获得更易理解的版本。随着众多来自中国研究机构或国外研究机构的中国学者署名或共同署名的文章的发表,中
3837次浏览
深度卷积网络(DCNN)是目前十分流行的深度神经网络架构,它的构造清晰直观,效果引人入胜,在图像、视频、语音、语言领域都有广泛应用。本书以AI领域新的技术研究和和实践为基础,从技术理论、工作原理、实践方法、架构技巧、训练方法、技术前瞻等6个维度对深度卷积网络进行了系统、深入、详细地讲解。以实战为导向,深入分析AlphaGo和GAN的实现过程、技术原理、训练方法和应用细节,为读者依次揭开神经网络、卷积网络和深度卷积网络的神秘面纱,让读者了解AI的“思考过程”,以及与人类思维的相同和不同之处。本书在逻辑上分为3个部分:第一部分 综述篇(第1、6、9章)这3章不需要读者具备编程和数学基础,对深度学习和神经网络的基础知识、AlphaGo的架构设计和工作原理,以及深度学习和人工智能未来的技术发展趋势进行了宏观介绍。第二部分 深度卷积网络篇(第2、3、4、5章)结合作者的实际工作经验和案例代码,对深度卷积网络的技术理论、工作原理、实践方法、架构技巧和训练方法做了系统而深入的讲解。第三部分 实战篇(第7、8章)详细分析了AlphaGo和GAN的技术原理、训练方法和应用细节,包括详细的代码分析和大量G
3428次浏览
本书以Python 3.5为编程环境,从基本的程序设计思想入手,逐步展开Python语言教学,是一本面向广大编程学习者的程序设计类图书。本书以案例带动知识点的讲解,将Python知识点分解到各个不同的案例,每个案例各有侧重点,同时展示实际项目的设计思想和设计理念,使读者可以举一反三。 本书案例具有实用性,例如校园网搜索引擎、小小翻译器、抓取百度图片这些爬虫案例略加修改可以应用到实际项目中;还有通过微信通信协议开发微信机器人、机器学习的文本分类、基于卷积神经网络的手写体识别等案例;另外是一些大家耳熟能详的游戏案例,例如连连看、推箱子、中国象棋、网络五子棋、两人麻将、人物拼图和飞机大战等游戏。通过本书,读者将掌握Python编程技术和技巧,学会面向对象的设计方法,了解程序设计的所有相关内容。本书不仅为读者列出了完整的代码,同时对所有的源代码都进行了非常详细的解释,通俗易懂、图文并茂。扫描每章提供的二维码可观看知识点的视频讲解。 本书适用于Python语言学习者、程序设计人员和游戏编程爱好者。第1章 Python基础知识 11.1 Python语言简介 11.2 Python语法基础 21.
5078次浏览
本书基本独立成册,适用于零基础的初学者。基础篇(第1~3章),讲解了机器学习、深度学习与实践的上下文知识,如基本的机器学习与深度学习算法,TensorFlow框架的安全与配置,简单的深度学习实践。该篇是阅读和实践的基石。原理与实践篇(第4~8章),介绍“老牌”的深度学习网络的数学原理和工程实现原理,尤其是第4章,如果能基本读懂,后面的网络实现层面的问题基本都可以迎刃而解。涵盖BP网络、CNN、RNN的结构、思路、训练与使用,以及一些常见的综合性问题。该篇是学习深度学习的重点和难点,作者通过大量示例、推理与实现,帮读者*大化降低学习曲线。扩展篇(第9~13章),介绍一些网络的变种和一些较新的网络特性,涵盖深度残差网络、受限玻尔兹曼机、强化学习、对抗学习,这是读者进一步学习与实践思路的钥匙。最后给出了一些有趣的深度学习应用:人脸识别、作诗姬、大师风图像处理,有趣又有用。第1章 机器学习是什么 2第2章 深度学习是什么 15第3章 TensorFlow框架特性与安装 38第4章 前馈神经网络 50第5章 手写板功能 81第6章 卷积神经网络 103第7章 综合问题 139第8章 循环神经网络
4902次浏览
AI的火爆程度可以说是“妇孺皆知”,无论是“美颜”还是AR识别,身边越来越多的AI元素出现在我们的生活中,让我们的生活更加丰富多彩。在这次课程中,你可以通过丰富有趣的案例,来学习人工智能中的计算机视觉技术,迈上机器学习新台阶。第1章 课程导学包括课程概述、课程安排、学习前提等方面的介绍,让同学们对计算机视觉有所理解第2章 计算机视觉入门通过OpenCV以及TensorFlow两个方面介绍计算机入门的相关知识。OpenCV侧重点在于为大家补充图像处理的相关基础,如像素、文件封装格式、灰度等级、颜色通道等的概念。TensorFlow重点在于通过对常量、变量、矩阵等的介绍,学习并掌握TensorFlow的基本使用。...第3章 计算机视觉加强之几何变换本章节主要为大家介绍图像的几何变换。几何变换顾名思义就是对图片外形轮廓进行操作以适应不同的场景。如缩放、剪切、位移、镜像、旋转、仿射变换等。第4章 计算机视觉加强之图像特效&线段文字绘制视频滤镜也是目前在计算机算法处理上比较火的一个方向之一,在本章节中将结合灰度、底板、马赛克、毛玻璃、边缘检测、油画效果等为大家介绍视频滤镜的使用第5章 计算机视
3338次浏览
《深入浅出深度学习:原理剖析与Python实践》介绍了深度学习相关的原理与应用,全书共分为三大部分,第一部分主要回顾了深度学习的发展历史,以及Theano的使用;第二部分详细讲解了与深度学习相关的基础知识,包括线性代数、概率论、概率图模型、机器学习和最优化算法;在第三部分中,针对若干核心的深度学习模型,如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解,并针对不同的模型给出相应的具体应用。《深入浅出深度学习:原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用,书中对模型的原理与难点进行了深入分析,在每一章的最后都提供了详细的参考文献,读者可以对相关的细节进行更深入的研究。最后,理论与实践相结合,《深入浅出深度学习:原理剖析与Python实践》针对常用的模型分别给出了相应的应用,读者也可以在Github中下载和查看《深入浅出深度学习:原理剖析与Python实践》的代码(https://github.com/innovation-cat/DeepLearningBook)。第1
3026次浏览
《深度学习轻松学:核心算法与视觉实践》介绍了深度学习基本算法和视觉领域的应用实例。书中以轻松直白的语言,生动详细地介绍了深层模型相关的基础知识,并深入剖析了算法的原理与本质。同时,书中还配有大量案例与源码,帮助读者切实体会深度学习的核心思想和精妙之处。除此之外,书中还介绍了深度学习在视觉领域的应用,从原理层面揭示其思路思想,帮助读者在此领域中夯实技术基础。《深度学习轻松学:核心算法与视觉实践》十分适合对深度学习感兴趣,希望对深层模型有较深入了解的读者阅读。1 机器学习与深度学习的概念1 1.1 什么是机器学习 1 1.1.1 机器学习的形式. 2 1.1.2 机器学习的几个组成部分. 8 1.2 深度学习的逆袭 9 1.3 深层模型在视觉领域的应用. 13 1.4 本书的主要内容 15 1.5 总结. 17 2 数学与机器学习基础18 2.1 线性代数基础. 18 2.2 对称矩阵的性质 22 2.2.1 特征值与特征向量 22 2.2.2 对称矩阵的特征值和特征向量 23 2.2.3 对称矩阵的对角化 24 2.3 概率论. 25 2.3.1 概率与分布. 25 2.3.2 最大似然
3266次浏览
《深度学习:21天实战Caffe》是一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例,由浅入深,从 Caffe 的配置、部署、使用开始学习,通过阅读 Caffe 源码理解其精髓,加强对深度学习理论的理解,最终达到熟练运用 Caffe 解决实际问题的目的。和国外机器学习、深度学习大部头著作相比,《深度学习:21天实战Caffe》偏重动手实践,将难以捉摸的枯燥理论用浅显易懂的形式表达,透过代码揭开其神秘面纱,更多地贴近实际应用。上篇 初见 第1天 什么是深度学习 2 1.1 星星之火,可以燎原 3 1.2 师夷长技 4 1.2.1 谷歌与微软 4 1.2.2 Facebook、亚马逊与NVIDIA 5 1.3 中国崛起 6 1.3.1 BAT在路上 6 1.3.2 星光闪耀 7 1.3.3 企业热是风向标 8 1.4 练习题 9 第2天 深度学习的过往 10 2.1 传统机器学习的局限性 10 2.2 从表示学习到深度学习 11 2.3 监督学习 12 2.4 反向传播算法 13 2.5 卷积神经网络 15 2.6 深度学习反思 17 2.7 练习题 18 2.
2993次浏览
人工智能领域正在以超乎人们想象的速度发展,本书赶在人工智能彻底占领世界之前完成编写,实属万幸。书中收录了超过100道机器学习算法工程师的面试题目和解答,其中大部分源于Hulu算法研究岗位的真实场景。本书从日常工作、生活中各种有趣的现象出发,不仅囊括了机器学习的基本知识 ,而且还包含了成为出众算法工程师的相关技能,更重要的是凝聚了笔者对人工智能领域的一颗热忱之心,旨在培养读者发现问题、解决问题、扩展问题的能力,建立对机器学习的热爱,共绘人工智能世界的宏伟蓝图。“不积跬步,无以至千里”,本书将从特征工程、模型评估、降维等经典机器学习领域出发,构建一个算法工程师必-备的知识体系;见神经网络、强化学习、生成对抗网络等新科研进展之微,知深度学习领域胜败兴衰之著;“博观而约取,厚积而薄发”,在末一章为读者展示生活中各种引领时代的人工智能应用。推荐序 前言 机器学习算法工程师的自我修养 第1章 特征工程 第1节 特征归一化 第2节 类别型特征 第3节 高维组合特征的处理 第4节 组合特征 第5节 文本表示模型 第6节 Word2Vec 第7节 图像数据不足时的处理方法 第2章 模型评估 第1节 评估
4854次浏览
《深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch:入门与实践》没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。《深度学习框架PyTorch:入门与实践》内容由浅入深,无论是深度学习的初学者,还是第一次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。1 PyTorch简介 1.1 PyTorch的诞生 1.2 常见的深度学习框架简介 1.2.1 Theano 1.2.2 TensorFlow 1.2.3 Keras 1.2.4 Caffe/Caffe2 1.2.5 MXNet 1.2.6 CNTK 1.2.7 其他框架 1.3 属于动态图的未来 1.4 为什么选
3768次浏览
《深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch:入门与实践》没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。《深度学习框架PyTorch:入门与实践》内容由浅入深,无论是深度学习的初学者,还是第一次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。1 PyTorch简介 1.1 PyTorch的诞生 1.2 常见的深度学习框架简介 1.2.1 Theano 1.2.2 TensorFlow 1.2.3 Keras 1.2.4 Caffe/Caffe2 1.2.5 MXNet 1.2.6 CNTK 1.2.7 其他框架 1.3 属于动态图的未来 1.4 为什么选
2785次浏览
《大数据智能——互联网时代的机器学习和自然语言处理技术》是一本介绍大数据智能分析的科普书籍,旨在让更多的人了解和学习互联网时代的机器学习和自然语言处理技术,以期让大数据技术更好地为我们的生产和生活服务。《大数据智能——互联网时代的机器学习和自然语言处理技术》包括大数据智能基础和大数据智能应用两个部分,共8 章。大数据智能基础部分有三章:第1 章以深度学习为例介绍大数据智能的计算框架;第2 章以知识图谱为例介绍大数据智能的知识库;第3 章介绍大数据的计算处理系统。大数据智能应用部分有5 章:第4 章介绍智能问答,第5 章介绍主题模型,第6 章介绍个性化推荐,第7 章介绍情感分析与意见挖掘,第8 章介绍面向社会媒体内容的分析与应用。最后在《大数据智能——互联网时代的机器学习和自然语言处理技术》的后记部分为读者追踪大数据智能的最新学术材料提供了建议。《大数据智能——互联网时代的机器学习和自然语言处理技术》适合作为高等院校计算机相关专业的研究生学习参考资料,也适合电脑爱好者阅读。作者特别希望本书能够帮助所有愿意对大数据技术有所了解,以及想要将大数据技术应用于本职工作的读者。第1 章 深度学习—
3386次浏览
《世界著名计算机教材精选:数据挖掘十大算法》详细介绍了在实际中用途最广、影响最大的十种数据挖掘算法,这十种算法是数据挖掘领域的顶级专家进行投票筛选的,覆盖了分类、聚类、统计学习、关联分析和链接分析等重要的数据挖掘研究和发展主题。《世界著名计算机教材精选:数据挖掘十大算法》对每一种算法都进行了多个角度的深入剖析,包括算法历史、算法过程、算法特性、软件实现、前沿发展等,此外,在每章最后还给出了丰富的习题和精挑细选的参考文献,对于读者掌握算法基本知识和进一步研究都非常有价值,对数据挖掘、机器学习和人工智能等学科的课程的设计有指导意义。第1章C4.5 1 1.1引言2 1.2算法描述3 1.3算法特性6 1.3.1决策树剪枝6 1.3.2连续型属性8 1.3.3缺失值处理8 1.3.4规则集诱导9 1.4软件实现10 1.5示例10 1.5.1 Golf数据集10 1.5.2 Soybean数据集11 1.6高级主题11 1.6.1二级存储12 1.6.2斜决策树12 1.6.3特征选择12 1.6.4集成方法12 1.6.5分类规则13 1.6.6模型重述13 1.7习题14 参考文献15
3294次浏览
人工智能技术正以一种超快的速度深刻地改变着我们的生活,引导了第四次工业革命。美团作为国内O2O领域领 先的服务平台,结合自身的业务场景和数据,积极进行了人工智能领域的应用探索。在美团的搜索、推荐、计算广告、风控、图像处理等领域,相关的人工智能技术得到广泛的应用。本书包括通用流程、数据挖掘、搜索和推荐、计算广告、深度学习以及算法工程6大部分内容,全面介绍了美团在多个重要方面对机器学习的应用。本书非常适合有一定机器学习基础的工程技术人员和在校大学生学习和阅读。通过本书,有经验的算法工程师可以了解美团在这方面的做法,在校大学生可以学习机器学习算法如何在具体的业务场景中落地。第一部分 通用流程 第 1章 问题建模 2 1.1 评估指标 3 1.1.1 分类指标 4 1.1.2 回归指标 7 1.1.3 排序指标 9 1.2 样本选择 10 1.2.1 数据去噪 11 1.2.2 采样 12 1.2.3 原型选择和训练集选择 13 1.3 交叉验证 14 1.3.1 留出法 14 1.3.2 K折交叉验证 15 1.3.3 自助法 16 参考文献 17 第 2章 特征工程 18 2.1 特征提取
3773次浏览
第一章 机器学习概述第二章 回归模型第三章 分类模型第四章 聚类和相似度模型第五章 推荐系统第六章 深度学习机器学习启蒙讲师源码机器学习数据素材机器学习启蒙源码数据集
3425次浏览
本书通过通俗易懂的语言、丰富的图示和生动的实例,拨开了笼罩在机器学习上方复杂的数学“乌云”,让读者以较低的代价和门槛轻松入门机器学习。本书共分为11章,主要介绍了在Python环境下学习scikit-learn机器学习框架的相关知识。本书涵盖的主要内容有机器学习概述、Python机器学习软件包、机器学习理论基础、k-近邻算法、线性回归算法、逻辑回归算法、决策树、支持向量机、朴素贝叶斯算法、PCA 算法和k-均值算法等。本书适合有一定编程基础的读者阅读,尤其适合想从事机器学习、人工智能、深度学习及机器人相关技术的程序员和爱好者阅读。另外,相关院校和培训机构也可以将本书作为教材使用。前言 第1章 机器学习介绍 1 1.1 什么是机器学习 1 1.2 机器学习有什么用 2 1.3 机器学习的分类 3 1.4 机器学习应用开发的典型步骤 4 1.4.1 数据采集和标记 4 1.4.2 数据清洗 5 1.4.3 特征选择 5 1.4.4 模型选择 5 1.4.5 模型训练和测试 5 1.4.6 模型性能评估和优化 5 1.4.7 模型使用 6 1.5 复习题 6 第2章 Python机器学习软件
2929次浏览
在学习和研究机器学习的时候,面临令人眼花缭乱的算法,机器学习新手往往会不知所措。本书从算法和Python 语言实现的角度,帮助读者认识机器学习。书专注于两类核心的“算法族”,即惩罚线性回归和集成方法,并通过代码实例来展示所讨论的算法的使用原则。全书共分为7 章,详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。本书主要针对想提高机器学习技能的Python 开发人员,帮助他们解决某一特定的项目或是提升相关的技能。第1章关于预测的两类核心算法 1.1为什么这两类算法如此有用 1.2什么是惩罚回归方法 1.3什么是集成方法 1.4算法的选择 1.5构建预测模型的流程 1.5.1构造一个机器学习问题 1.5.2特征提取和特征工程 1.5.3确定训练后的模型的性能 1.6各章内容及其依赖关系 1.7小结 1.8参考文献 第2章通过理解数据来了解问题 2.1“解剖”一个新问题 2.1.1属性和标签的不同类型决定模型的选择 2.1.2新数据集的注意事项 2.2分类问题:用声纳发现未爆炸的水雷 2.2.1“岩石vs水雷”数据集的物理特性 2.2.2“岩石vs水雷
3622次浏览
机器学习是近年来渐趋热门的一个领域,同时Python 语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和Python 语言两个热门的领域,通过利用两种核心的机器学习算法来将Python 语言在数据分析方面的优势发挥到极致。全书共有10 章。第1 章讲解了Python 机器学习的生态系统,剩余9 章介绍了众多与机器学习相关的算法,包括各类分类算法、数据可视化技术、推荐引擎等,主要包括机器学习在公寓、机票、IPO 市场、新闻源、内容推广、股票市场、图像、聊天机器人和推荐引擎等方面的应用。本书适合Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读。第1章Python机器学习的生态系统1 1.1数据科学/机器学习的工作流程2 1.1.1获取2 1.1.2检查和探索2 1.1.3清理和准备3 1.1.4建模3 1.1.5评估3 1.1.6部署3 1.2Python库和功能3 1.2.1获取4 1.2.2检查4 1.2.3准备20 1.2.4建模和评估26 1.2.5部署34 1.3设置机器学习的环境34 1.4小结34 第2章构建
2517次浏览
本书主要介绍如何通过NLTK库与一些Python库的结合从而实现复杂的NLP任务和机器学习应用。全书共分为10章。第1章对NLP进行了简单介绍。第2章、第3章和第4章主要介绍一些通用的预处理技术、专属于NLP领域的预处理技术以及命名实体识别技术等。第5章之后的内容侧重于介绍如何构建一些NLP应用,涉及文本分类、数据科学和数据处理、社交媒体挖掘和大规模文本挖掘等方面。本书适合 NLP 和机器学习领域的爱好者、对文本处理感兴趣的读者、想要快速学习NLTK的zishenPython程序员以及机器学习领域的研究人员阅读。第1章自然语言处理简介1 1.1为什么要学习NLP2 1.2先从Python开始吧5 1.2.1列表5 1.2.2自助功能6 1.2.3正则表达式8 1.2.4字典9 1.2.5编写函数10 1.3向NLTK迈进11 1.4练习16 1.5小结17 第2章文本的歧义及其清理18 2.1何谓文本歧义18 2.2文本清理20 2.3语句分离器21 2.4标识化处理22 2.5词干提取23 2.6词形还原24 2.7停用词移除25 2.8罕见词移除26 2.9拼写纠错26 2.10练
5708次浏览
本书首先介绍了一些机器学习算法的基础,随后带领你进入一个引人入胜的机器智能世界,你将领略到各种神经网络的魅力及挑战。本书将使用基于DL4J的Java库,带你一起攻克图像处理、语音识别和自然语言处理等领域中的各种问题。同时,你也会接触到当今最重要的其他开发平台,如Theano、TensorFlow和Caffe。通过本书的学习,你将具备用Java攻克深度学习问题的能力,并为这个领域贡献自己的力量。译者序前言第1章深度学习概述1.1人工智能的变迁1.1.1人工智能的定义1.1.2人工智能曾经的辉煌1.1.3机器学习的演化1.1.4机器学习的局限性1.2人与机器的区分因素1.3人工智能与深度学习1.4小结第2章机器学习算法——为深度学习做准备2.1入门2.2机器学习中的训练需求2.3监督学习和无监督学习2.3.1支持向量机2.3.2隐马尔可夫模型2.3.3神经网络2.3.4逻辑回归2.3.5增强学习2.4机器学习应用流程2.5神经网络的理论和算法2.5.1单层感知器2.5.2逻辑回归2.5.3多类逻辑回归2.5.4多层感知器2.6小结第3章深度信念网络与栈式去噪自编码器3.1神经网络的没落3.
4504次浏览
神经网络编程实战:Java语言实现(原书第2版)由10章构成。首先,系统、全面地阐述神经网络相关概念、知识点及特征。然后,重点介绍神经网络学习过程的细节,如何用Java实现神经网络特性及设计神经网络架构,如何优化调整神经网络参数等。后,介绍一些经典案例。本书适合神经网络初学者阅读,也可以作为智能化软件开发人员的工具书。译者序作者和审校者简介前言第1章 神经网络入门 11.1 探索神经网络 11.2 人工神经网络 21.2.1 神经网络是如何组织的 31.2.2 基本元素—人工神经元 31.2.3 赋予神经元生命—激活函数 41.2.4 可变参数—权重 51.2.5 额外参数—偏置 61.2.6 由部分到整体—层 61.2.7 神经网络体系结构 71.2.8 单层网络 71.2.9 多层网络 81.2.10 前馈网络 81.2.11 反馈网络 81.3 从无知到认知—学习过程 91.4 开始编程—神经网络实践 101.5 神经元类 121.6 NeuralLayer类 141.7 ActivationFunction接口 151.8 神经网络类 151.9 运行程序 171.10 本章小