本书以MCS-51系列单片机为主，全面、系统、详细介绍了单片机的硬件、软件及应用技术。
电子书
内容简介
本书共11章，主要介绍机器学习的基本概念和两大类常用的机器学习模型，即监督学习模型和非监督学习模型。
章节目录
- A-fy
- 54274-bq
- C-bwh
- D-x1
- E-x2
- F-qy
- G-ml
- 01
- / 1.1 什么是机器学习
- / 1.2 机器学习简史
- / 1.3 机器学习任务的类型
- 1.3.1 监督学习
- 1．输入空间、特征空间和输出空间
- 2．假设空间
- 1.3.2 无监督学习
- / 1.4 机器学习项目的一般步骤
- 1．明确任务，收集数据
- 2．数据预处理和特征工程
- 3．模型训练
- 4．模型评估与超参数调优
- 5．模型融合（可选）
- 6．模型应用
- / 1.5 模型评估
- 1.5.1 交叉验证
- 1.5.2 超参数调优
- 1．网格搜索
- 2．随机搜索
- / 1.6 本章小结
- / 1.7 习题
- 02
- /2.1 线性回归简介
- / 2.2 线性回归模型的目标函数
- 2.2.1 回归模型的损失函数
- 1．L2损失
- 2．L1损失
- 3．胡伯（Huber）损失
- 2.2.2 线性回归模型的正则函数
- 1．无正则：最小二乘线性回归
- 2．L2正则：岭回归
- 3．L1正则：最小绝对值收缩和选择算子
- 4．L2正则+L1正则：弹性网络
- / 2.3 线性回归模型的优化求解
- 2.3.1 解析求解法
- 1．最小二乘线性回归解析求解
- 2．岭回归解析求解
- 2.3.2 梯度下降法
- 2.3.3 坐标轴下降法
- 1. 坐标轴下降法
- 2．Lasso优化求解之坐标轴下降法
- / 2.4 回归任务的性能指标
- / 2.5 线性回归模型的超参数调优
- / 2.6 案例分析1：广告费用与销量预测
- 1．数据分析
- 2．特征工程
- 3．线性回归模型应用
- / 2.7 案例分析2：共享单车骑行量预测
- 1．数据分析
- 2．数据探索和特征工程
- 3．线性回归模型应用
- / 2.8 本章小结
- / 2.9 习题
- 03
- / 3.1 Logistic回归模型
- / 3.2 Logistic回归模型的目标函数
- / 3.3 Logistic回归目标函数优化求解
- 3.3.1 梯度下降法
- 3.3.2 牛顿法
- 1．牛顿法
- 2．Logistic回归的牛顿法求解
- 3.3.3 拟牛顿法
- 1．拟牛顿法条件
- 2．BFGS
- / 3.4 多类分类任务
- / 3.5 分类任务的性能指标
- 1．正确率（Accuracy）
- 2．交叉熵损失（logloss）
- 3．合页损失（Hingeloss）
- 4．混淆矩阵（Confusion Matrix）
- 5．ROC与AUC值
- 6．P-R曲线与AP
- 7．多类分类任务评级指标
- / 3.6 数据不均衡分类问题
- 3.6.1 重采样
- 1．上采样与样本合成
- 2．下采样与集成学习
- 3．舍弃所有少数类，转换为异常检测问题
- 3.6.2 代价敏感学习
- / 3.7 案例分析：奥拓商品分类
- 1．数据探索和特征工程
- 2．特征工程
- 3．Logistic回归模型的应用
- / 3.8 本章小结
- / 3.9 习题
- 04
- / 4.1 SVM的基本型
- 4.1.1 最大间隔
- 4.1.2 SVM的对偶问题
- / 4.2 带松弛因子的SVM
- / 4.3 合页损失函数
- / 4.4 核方法
- 4.4.1 核技巧
- 4.4.2 核函数构造
- 1．线性核函数
- 2．多项式核函数
- 3．高斯核函数
- / 4.5 SVM优化求解：SMO
- 4.5.1 SMO算法原理
- 4.5.2 对原始解进行修剪
- 4.5.3 𝜶选择
- 4.5.4 更新截距项𝒃
- 4.5.5 SMO小结
- / 4.6 支持向量回归
- 4.6.1 𝝐不敏感损失函数
- 4.6.2 支持向量回归
- / 4.7 案例分析1：奥拓商品分类
- / 4.8 案例分析2：共享单车骑行量预测
- / 4.9 本章小结
- / 4.10 习题
- 05
- / 5.1 生成式分类器
- / 5.2 贝叶斯规则
- 5.2.1 贝叶斯公式
- 5.2.2 朴素贝叶斯分类器
- 1．类先验概率𝑃(𝑌=𝑐)
- 2．类条件概率𝑝(,𝑥-𝑗.|𝑌=𝑐)
- 5.2.3 朴素贝叶斯分类器的训练
- 1．类先验概率𝑃(𝑌=𝑐)
- 2．类条件概率𝑝(,𝑥-𝑗.|𝑌=𝑐)
- 5.2.4 案例分析1：奥拓商品分类
- 5.2.5 案例分析2：新闻分类
- / 5.3 高斯判别分析
- 5.3.1 高斯判别分析的基本原理
- 5.3.2 高斯判别分析的模型训练
- 5.3.3 案例分析3：MNIST手写数字识别
- / 5.4 本章小结
- / 5.5 习题
- 06
- / 6.1 决策树基本原理
- / 6.2 建树
- 6.2.1 ID3和C4.5
- 1．信息增益
- 2．信息增益比
- 6.2.2 CART
- / 6.3 剪枝
- / 6.4 提前终止
- / 6.5 案例分析1：蘑菇分类
- / 6.6 案例分析2：共享单车骑行量预测
- / 6.7 本章小结
- / 6.8 习题
- 07
- / 7.1 误差的偏差-方差分解
- 7.1.1 点估计的偏差-方差分解
- 7.1.2 预测误差的偏差-方差分解
- / 7.2 Bagging
- / 7.3 随机森林
- 7.3.1 随机森林的基本原理
- 7.3.2 案例分析：奥拓商品分类
- / 7.4 梯度提升
- / 7.5 XGBoost
- 7.5.1 XGBoost基本原理
- 7.5.2 XGBoost优化
- 7.5.3 XGBoost使用指南
- 1．XGBoost常用的参数
- 2．XGBoost常用的API
- 7.5.4 案例分析：奥拓商品分类
- / 7.6 LightGBM
- 7.6.1 基于直方图的决策树构造算法
- 7.6.2 直方图加速：基于梯度的单边采样算法
- 7.6.3 直方图加速：互斥特征捆绑算法
- 7.6.4 支持离散型特征
- 7.6.5 带深度限制的按叶子生长策略
- 7.6.6 案例分析：奥拓商品分类
- / 7.7 融合
- / 7.8 本章小结
- / 7.9 习题
- 08
- / 8.1 神经元的基本结构
- / 8.2 前馈全连接神经网络
- / 8.3 卷积神经网络
- 8.3.1 卷积层
- 8.3.2 池化层
- 8.3.3 CNN示例：AlexNet
- / 8.4 循环神经网络
- 8.4.1 简单循环神经网络
- 8.4.2 长短时记忆网络
- / 8.5 残差神经网络
- / 8.6 丢弃法
- / 8.7 本章小结
- / 8.8 习题
- 09
- / 9.1 梯度计算：反向传播
- 9.1.1 微积分中的链式法则
- 1．实数对实数求梯度的链式法则
- 2．向量对向量求导
- 3．实数对向量求梯度的链式法则
- 9.1.2 计算图和反向传播
- 9.1.3 DNN的反向传播算法
- 9.1.4 DNN的计算图
- 9.1.5 CNN的反向传播算法
- 1．池化层
- 2．卷积层的反向传播算法
- 9.1.6 循环神经网络的反向传播算法
- / 9.2 激活函数
- 1．Sigmoid
- 2．Tanh
- 3．ReLU
- 4．LeakyReLU
- 5．ELU
- 6．SELU
- 7．MaxOut
- 8．如何选择激活函数
- / 9.3 深度学习中的优化算法
- 9.3.1 动量法
- 9.3.2 自适应学习率
- 1．AdaGrad算法
- 2．RMSProp
- 3．Adam
- / 9.4 权重初始化
- 1．全0
- 2．随机数初始化
- 3．Xavier初始化
- 4．He初始化
- 5．批量归一化
- 6．预训练
- 7．权重初始化建议
- / 9.5 减弱过拟合策略
- 1．数据增广
- 2．正则
- 3．训练提前停止
- / 9.6 案例分析：MNIST手写数字识别
- 1．全连接神经网络
- 2．卷积神经网络
- 3．循环神经网络
- / 9.7 本章小结
- / 9.8 习题
- 10
- / 10.1 主成分分析
- / 10.2 自编码器
- 1．全连接自编码器
- 2．卷积自编码器（Convolutional Auto Encoder, CAE）
- 3．LSTM自编码器
- / 10.3 多维缩放
- / 10.4 等度量映射
- / 10.5 局部线性嵌入
- / 10.6 拉普拉斯特征映射
- / 10.7 基于T分布的随机邻域嵌入
- / 10.8 案例分析：MNIST数据集
- / 10.9 本章小结
- /10.10 习题
- 11
- / 11.1 聚类算法的性能指标
- 11.1.1 外部指标
- 1．Jaccard系数（Jaccard Coefficent，JC）
- 2．FM指数（Fowlkes and Mallows Index，FMI）
- 3．兰德指数（Rand Index，RI）
- 4．调整兰德指数（Adjusted Rand Index，ADI）
- 5．V度量（V-measure）
- 11.1.2 内部指标
- 1．戴维森堡丁指数（Davies-Bouldin Index，DBI）
- 2．邓恩指数（Dunn Validity Index，DVI）
- 3．Calinski-Harabaz指数（Calinski-Harabaz Index，CHI）
- 4．轮廓系数（Silhouette coefficient，SC）
- / 11.2 相似性度量
- 1．欧氏距离
- 2．曼哈顿距离
- 3．切比雪夫距离
- 4．闵可夫斯基氏距离
- 5．马氏距离（Mahalanobis Distance）
- 6．汉明距离（Hamming Distance）
- 7．夹角余弦
- 8．相关系数
- 9．杰卡德相似系数（Jaccard similarity coefficient）
- / 11.3 K均值聚类
- / 11.4 高斯混合模型
- / 11.5 层次聚类
- 11.5.1 凝聚式层次聚类
- 1．最小距离（MIN/Single Linkage）
- 2．最大距离（MAX Complete Linkage）
- 3．平均距离（Group Average Linkage）
- 4．中心点距离（Distance Between Centroids）
- 5．沃德（Wald）距离
- 11.5.2 分裂式层次聚类
- / 11.6 均值漂移聚类
- / 11.7 DBSCAN
- / 11.8 基于密度峰值的聚类
- / 11.9 基于深度学习的聚类
- /11.10 案例分析：MNIST数据集聚类
- /11.11 本章小结
- /11.12 习题
- 12-fl
- / A 奇异值分解
- A.1 特征值和特征向量
- A.2 SVD的定义
- / B 拉格朗日乘子法和卡罗需-库恩-塔克条件
- B.1 拉格朗日乘子法
- B.2 为什么拉格朗日乘子法能够求得最优值
- B.3 KKT条件
- / C 对偶问题
- C.1 原始问题
- C.2 对偶问题
- C.3 原始问题和对偶问题的关系
- 13-ck
- 参考文献
展开全部
机器学习从原理到应用是2020年由人民邮电出版社出版,作者卿来云 黄庆明。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习从原理到应用》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
AIGC的应用领域日益广泛，而在图像生成领域，扩散模型则是AIGC技术的一个重要应用。本书以扩散模型理论知识为切入点，由浅入深地介绍了扩散模型的相关知识，并以大量生动有趣的实战案例帮助读者理解扩散模型的相关细节。全书共8章，详细介绍了扩散模型的原理，以及扩散模型退化、采样、DDIM反转等重要概念与方法，此外还介绍了StableDiffusion、ControlNet与音频扩散模型等内容。最后，附录
电子书
《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。《Python机器学习》力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩
电子书
近年来人工智能技术蓬勃发展，人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学和计算机科学知识的情况下，能够快速上手，使用Python语言实现常用的机器学习算法，并解决一些实际的问题，我们策划并出版本书。本书共14章，内容涵盖基本的机器学习概念和环境搭建，目前各个领域中的热门算法，以及数据预处理、模型评估和文本数据分析等。希望本书可以让读者轻松入门，在动手实践的过程中找到乐趣。本书可以作为
电子书
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。
电子书
大数据时代为机器学习的应用提供了广阔的空间，各行各业涉及数据分析的工作都需要使用机器学习算法。本书围绕实际数据分析的流程展开，着重介绍数据探索、数据预处理和常用的机器学习算法模型。本书从解决实际问题的角度出发，介绍回归算法、分类算法、推荐算法、排序算法和集成学习算法。在介绍每种机器学习算法模型时，书中不但阐述基本原理，而且讨论模型的评价与选择。为方便读者学习各种算法，本书介绍了R语言中相应的软件包
电子书
本书以LEGOMINDSTORMS作为机器人平台，通过全方位的编程实例讲解，深入介绍了ROBOTS的编程方法。
电子书
本书展示了如何在业务场景中应用机器学习，全书分为三个部分。第一部分介绍有效的决策如何帮助公司提高生产率以保持竞争力，阐释如何使用开源工具和AWS工具将机器学习应用于业务决策中。第二部分以虚拟人物为主线，研究六个场景，这些场景展示了如何使用机器学习来制定各种业务决策。第三部分讨论如何在Web上设置和共享机器学习模型，还介绍了一些案例。
