机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了主流机器学习平台的主要特点以及机器学习的实战难点。在此基础上，利用主流的机器学习开源平台TensorFlow、OpenVINO、PaddlePaddle等，通过17个实战案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、聚类、卷积神经网络、循环神经网络、生成对抗网络等机器学习和
电子书
内容简介
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书涵盖了机器学习和深度学习的基础知识，主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、文本分析、分布式机器学习算法等经典的机器学习基础知识，还包括卷积神经网络、循环神经网络、生成对抗网络、目标检测、自编码器等深度学习的内容。此外，本书还介绍了机器学习的热门应用领域推荐系统以及强化学习等主题。本书深入浅出、内容全、案例丰富，每章都提供Python程序代码和习题，供读者巩固所学知识。另外，本书还为读者提供了配套的微课视频。
章节目录
- 第1 章机器学习基础
- 1.1 机器学习概述
- 1.1.1 机器学习简史
- 1.1.2 机器学习主要流派
- 1.2 机器学习、人工智能和数据挖掘
- 1.2.1 什么是人工智能
- 1.2.2 什么是数据挖掘
- 1.2.3 机器学习、人工智能和数据挖掘的关系
- 1.3 机器学习应用的典型领域
- 1.4 机器学习算法
- 1.5 机器学习的流程
- 习题
- 第2 章机器学习基本方法
- 2.1 统计分析
- 2.1.1 统计基础
- 2.1.2 常见概率分布
- 2.1.3 参数估计
- 2.1.4 假设检验
- 2.1.5 线性回归
- 2.1.6 逻辑回归
- 2.1.7 判别分析
- 2.1.8 非线性模型
- 2.2 高维数据降维
- 2.2.1 主成分分析
- 2.2.2 奇异值分解
- 2.2.3 线性判别分析
- 2.2.4 局部线性嵌入
- 2.2.5 拉普拉斯特征映射
- 2.3 特征工程
- 2.3.1 特征构造
- 2.3.2 特征选择
- 2.3.3 特征提取
- 2.4 模型训练
- 2.4.1 模型训练常见术语
- 2.4.2 训练数据收集
- 2.5 可视化分析
- 2.5.1 可视化分析的作用
- 2.5.2 可视化分析的基本流程
- 2.5.3 可视化分析方法
- 2.5.4 可视化分析常用工具
- 2.5.5 常见的可视化图表
- 2.5.6 可视化分析面临的挑战
- 习题
- 第3 章决策树与分类算法
- 3.1 决策树
- 3.1.1 分支处理
- 3.1.2 连续属性离散化
- 3.1.3 过拟合问题
- 3.1.4 分类性能评价
- 3.2 集成学习
- 3.2.1 装袋法
- 3.2.2 提升法
- 3.2.3 GBDT 算法
- 3.2.4 XGBoost 算法
- 3.2.5 随机森林算法
- 习题
- 第4 章聚类分析
- 4.1 聚类分析概述
- 4.1.1 聚类算法分类
- 4.1.2 良好聚类算法的特征
- 4.2 聚类分析的度量
- 4.2.1 外部指标
- 4.2.2 内部指标
- 4.3 基于划分的聚类
- 4.3.1 k -均值算法
- 4.3.2 k -medoids 算法
- 4.3.3 k -prototype 算法
- 4.4 基于密度的聚类
- 4.4.1 DBSCAN 算法
- 4.4.2 OPTICS 算法
- 4.5 基于层次的聚类
- 4.5.1 BIRCH 聚类
- 4.5.2 CURE 算法
- 4.6 基于网格的聚类
- 4.7 基于模型的聚类
- 4.7.1 基于概率模型的聚类
- 4.7.2 模糊聚类
- 4.7.3 基于Kohonen 神经网络模型的聚类
- 习题
- 第5 章文本分析
- 5.1 文本分析概述
- 5.2 文本特征提取及表示
- 5.2.1 TF-IDF 算法
- 5.2.2 信息增益
- 5.2.3 互信息
- 5.2.4 卡方统计量
- 5.2.5 词嵌入
- 5.2.6 语言模型
- 5.2.7 向量空间模型
- 5.3 知识图谱
- 5.3.1 知识图谱相关概念
- 5.3.2 知识图谱的存储
- 5.3.3 知识图谱的挖掘与计算
- 5.3.4 知识图谱的构建过程
- 5.4 词法分析
- 5.4.1 文本分词
- 5.4.2 命名实体识别
- 5.4.3 词义消歧
- 5.5 句法分析
- 5.6 语义分析
- 5.7 文本分析应用
- 5.7.1 文本分类
- 5.7.2 信息抽取
- 5.7.3 问答系统
- 5.7.4 情感分析
- 5.7.5 自动摘要
- 习题
- 第6 章神经网络
- 6.1 神经网络概述
- 6.1.1 前馈神经网络
- 6.1.2 反馈神经网络
- 6.1.3 自组织神经网络
- 6.2 神经网络相关概念
- 6.2.1 激活函数
- 6.2.2 损失函数
- 6.2.3 学习率
- 6.2.4 过拟合与正则化
- 6.2.5 数据预处理
- 6.2.6 训练方式
- 6.2.7 神经网络模型训练中的问题
- 6.2.8 网络模型效果评价
- 6.3 神经网络应用
- 习题
- 第7 章贝叶斯网络
- 7.1 贝叶斯定理
- 7.2 朴素贝叶斯分类模型
- 7.3 贝叶斯网络推理
- 7.4 贝叶斯网络的应用
- 7.4.1 中文分词
- 7.4.2 机器翻译
- 7.4.3 故障诊断
- 7.4.4 疾病诊断
- 习题
- 第8 章支持向量机
- 8.1 线性可分支持向量机
- 8.1.1 间隔与超平面
- 8.1.2 支持向量
- 8.1.3 对偶问题求解
- 8.1.4 软间隔
- 8.2 非线性可分支持向量机
- 8.2.1 非线性可分支持向量机原理
- 8.2.2 常见核函数
- 8.3 支持向量机应用
- 习题
- 第9 章分布式机器学习
- 9.1 分布式机器学习基础
- 9.2 分布式机器学习框架
- 9.3 并行决策树
- 9.4 并行k-均值算法
- 习题
- 第10 章深度学习基础
- 10.1 卷积神经网络
- 10.1.1 卷积神经网络概述
- 10.1.2 卷积神经网络的结构
- 10.1.3 卷积神经网络的训练
- 10.1.4 常见卷积神经网络
- 10.2 目标检测
- 10.2.1 目标检测基本概念
- 10.2.2 目标检测典型算法
- 10.3 图像分割
- 10.3.1 全卷积神经网络
- 10.3.2 U-Net 算法
- 10.3.3 Mask R-CNN
- 10.4 循环神经网络
- 10.4.1 循环神经网络基本原理
- 10.4.2 长短期记忆网络
- 10.4.3 门限循环单元
- 10.4.4 循环神经网络的其他改进
- 10.5 深度学习流行框架
- 习题
- 第11 章高级深度学习
- 11.1 自注意力和BERT 模型
- 11.1.1 常见词嵌入模型
- 11.1.2 自注意力
- 11.1.3 多头注意力
- 11.1.4 Transformer 模型
- 11.1.5 BERT 模型
- 11.2 无监督深度学习
- 11.2.1 深度信念网络
- 11.2.2 自动编码器网络
- 11.3 生成对抗网络
- 11.3.1 生成对抗网络基本原理
- 11.3.2 常见的生成对抗网络
- 11.4 迁移学习
- 11.5 对偶学习
- 11.6 知识蒸馏
- 11.7 小样本学习
- 习题
- 第12 章推荐系统
- 12.1 推荐系统概述
- 12.1.1 推荐系统的应用场景
- 12.1.2 相似度计算
- 12.2 推荐系统通用模型
- 12.2.1 推荐系统结构
- 12.2.2 基于人口统计学的推荐
- 12.2.3 基于内容的推荐
- 12.2.4 基于协同过滤的推荐
- 12.2.5 基于图的推荐
- 12.2.6 基于关联规则的推荐
- 12.2.7 基于知识的推荐
- 12.2.8 基于标签的推荐
- 12.3 推荐系统评测
- 12.3.1 评测方法
- 12.3.2 评测指标
- 12.4 推荐系统常见问题
- 12.5 推荐系统实例
- 12.6 深度学习在推荐系统中的应用
- 习题
- 第13 章强化学习
- 13.1 强化学习概述
- 13.2 强化学习基础
- 13.2.1 马尔可夫链
- 13.2.2 强化学习基本概念
- 13.2.3 强化学习的目标函数
- 13.2.4 价值函数
- 13.3 强化学习基本算法
- 13.3.1 蒙特卡洛强化学习
- 13.3.2 时序差分算法
- 13.3.3 SARSA 算法
- 13.3.4 Q-Learning 算法
- 13.4 深度强化学习
- 13.4.1 DQN 算法
- 13.4.2 演员-评论家算法
- 习题
展开全部
机器学习（第2版）是2022年由人民邮电出版社出版,作者赵卫东 董亮 编著。
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（第2版）》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
周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书是《机器学习公式详解》（俗称“南瓜书”）的第2版。相较于第1版，本书对“西瓜书”中除了公式以外的重、难点内容加以解析，以过来人视角给出学习建议，旨在对比较难理解的公式和重点内容扩充具体的例子说明，以及对跳步过大的公式补充具体的推导细节。全书共16章，与“西瓜书”章节、公式对应，每个公式的推导和解释都以本科数学基础的视角
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
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
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
机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了TensorFlow、PySpark、TI-ONE等主流机器学习平台的主要特点；然后结合Tableau介绍了数据可视化在银行客户用卡行为分析的应用。在此基础上，利用上述介绍的这些平台，通过多个项目案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、卷积神经网络、循环神经网络、对抗
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。
