最新公告
  • 欢迎您光临IO源码网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 机器学习 原理、算法与应用 PDF 下载

    机器学习 原理、算法与应用 PDF 下载

    本站整理下载:
    版权归出版社和原作者所有,链接已删除,请购买正版
    用户下载说明:
    电子版仅供预览,下载后24小时内务必删除,支持正版,喜欢的请购买正版书籍:
    http://product.dangdang.com/27921599.html
    相关截图:

    资料简介:
    机器学习是当前解决很多人工智能问题的核心技术,自2012年以来,深度学习的出现带来了人工智能复兴。本书是机器学习和深度学习领域的入门与提高教材,紧密结合工程实践与应用,系统、深入地讲述机器学习与深度学习的主流方法与理论。全书由23章组成,共分为三大部分。第1~3章为*部分,介绍机器学习的基本原理、所需的数学知识(包括微积分、线性代数、*化方法和概率论),以及机器学习中的核心概念。第4~22章为第二部分,是本书的主体,介绍各种常用的有监督学习算法、无监督学习算法、半监督学习算法和强化学习算法。对于每种算法,从原理与推导、工程实现和应用3个方面进行介绍,对于大多数算法,都配有实验程序。第23章为第三部分,介绍机器学习和深度学习算法实际应用时面临的问题,并给出典型的解决方案。

    本书理论推导与证明详细、深入,结构清晰,详细地讲述主要算法的原理与细节,让读者不仅知其然,还知其所以然,真正理解算法、学会使用算法。对于计算机、人工智能及相关专业的本科生和研究生,这是一本适合入门与系统学习的教材;对于从事人工智能和机器学习产品研发的工程技术人员,本书也具有很强的参考价值

    资料目录:
    第1章机器学习简介3

    1.1机器学习是什么3

    1.1.1一个简单的例子3

    1.1.2为什么需要机器学习5

    1.2典型应用7

    1.2.1语音识别7

    1.2.2人脸检测8

    1.2.3人机对弈9

    1.2.4机器翻译10

    1.2.5自动驾驶11

    1.3发展历程11

    1.3.1历史成就11

    1.3.2当前进展12

    1.4关于本书13

    参考文献13

    第2章数学知识15

    2.1微积分和线性代数15

    2.1.1导数15

    2.1.2向量与矩阵17

    2.1.3偏导数与梯度19

    2.1.4雅可比矩阵20

    2.1.5Hessian矩阵21

    2.1.6泰勒展开22

    2.1.7行列式22

    2.1.8特征值与特征向量23

    2.1.9奇异值分解24

    2.1.10二次型24

    2.1.11向量与矩阵求导24

    2.2化方法25

    〖1〗

    〖2〗机器学习——原理、算法与应用

    〖1〗

    目录

    2.2.1梯度下降法25

    2.2.2牛顿法26

    2.2.3坐标下降法27

    2.2.4拉格朗日乘数法28

    2.2.5凸优化28

    2.2.6拉格朗日对偶32

    2.2.7KKT条件34

    2.2.8拟牛顿法35

    2.2.9面临的问题36

    2.3概率论37

    2.3.1随机事件与概率37

    2.3.2条件概率37

    2.3.3随机变量38

    2.3.4数学期望与方差39

    2.3.5随机向量39

    2.3.6似然估计40

    参考文献41

    第3章基本概念42

    3.1算法分类42

    3.1.1监督信号42

    3.1.2分类问题与回归问题43

    3.1.3判别模型与生成模型45

    3.1.4强化学习45

    3.2模型评价指标46

    3.2.1精度与召回率46

    3.2.2ROC曲线46

    3.2.3混淆矩阵48

    3.2.4交叉验证48

    3.3模型选择48

    3.3.1过拟合与欠拟合48

    3.3.2偏差与方差分解49

    3.3.3正则化50

    参考文献52

    第二部分主要的机器学习算法与理论

    第4章贝叶斯分类器55

    4.1贝叶斯决策55

    4.2朴素贝叶斯分类器56

    4.2.1离散型特征56

    4.2.2连续型特征57

    4.3正态贝叶斯分类器57

    4.3.1训练算法57

    4.3.2预测算法58

    4.4实验程序59

    4.5应用61

    参考文献61

    第5章决策树62

    5.1树形决策过程62

    5.2分类与回归树63

    5.3训练算法64

    5.3.1递归分裂过程64

    5.3.2寻找分裂64

    5.3.3叶子节点值的设定67

    5.3.4属性缺失问题67

    5.3.5剪枝算法68

    5.3.6训练算法的流程69

    5.3.7计算变量的重要性70

    5.4实验程序70

    5.5应用71

    参考文献71

    第6章k近邻算法72

    6.1基本概念72

    6.2预测算法72

    6.3距离定义73

    6.3.1常用距离定义74

    6.3.2距离度量学习74

    6.4实验程序75

    6.5应用76

    参考文献76

    第7章数据降维78

    7.1主成分分析78

    7.1.1数据降维问题78

    7.1.2计算投影矩阵78

    7.1.3向量降维81

    7.1.4向量重构81

    7.2流形学习81

    7.2.1局部线性嵌入82

    7.2.2拉普拉斯特征映射83

    7.2.3局部保持投影86

    7.2.4等距映射87

    7.2.5随机近邻嵌入88

    7.2.6t分布随机近邻嵌入89

    7.3实验程序90

    7.4应用91

    参考文献91

    第8章线性判别分析92

    8.1用投影进行分类92

    8.2投影矩阵92

    8.2.1一维的情况92

    8.2.2推广到高维94

    8.3实验程序96

    8.4应用96

    参考文献97

    第9章人工神经网络98

    9.1多层前馈型神经网络98

    9.1.1神经元98

    9.1.2网络结构99

    9.1.3正向传播算法100

    9.2反向传播算法101

    9.2.1一个简单的例子101

    9.2.2完整的算法105

    9.3实验程序109

    9.4理论解释110

    9.4.1数学性质110

    9.4.2与神经系统的关系111

    9.5面临的问题111

    9.5.1梯度消失111

    9.5.2退化111

    9.5.3局部极小值111

    9.5.4鞍点111

    9.6实现细节问题112

    9.6.1输入值与输出值112

    9.6.2网络规模112

    9.6.3激活函数112

    9.6.4损失函数113

    9.6.5权重初始化113

    9.6.6正则化113

    9.6.7学习率的设定114

    9.6.8动量项114

    9.7应用114

    参考文献115

    第10章支持向量机118

    10.1线性分类器118

    10.1.1线性分类器概述118

    10.1.2分类间隔118

    10.2线性可分的问题119

    10.2.1原问题119

    10.2.2对偶问题120

    10.3线性不可分的问题123

    10.3.1原问题123

    10.3.2对偶问题123

    10.4核映射与核函数126

    10.5SMO算法129

    10.5.1求解子问题129

    10.5.2优化变量的选择132

    10.6多分类问题133

    10.7实验程序134

    10.8libsvm简介136

    10.8.1求解算法137

    10.8.2库的使用140

    10.9应用142

    参考文献143

    第11章线性模型145

    11.1logistic回归145

    11.1.1种表述145

    11.1.2第二种表述147

    11.1.3L2正则化原问题148

    11.1.4L2正则化对偶问题151

    11.1.5L1正则化原问题152

    11.1.6实验程序154

    11.2线性支持向量机156

    11.2.1L2正则化L1loss SVC原问题156

    11.2.2L2正则化L2loss SVC原问题156

    11.2.3L2正则化SVC对偶问题157

    11.2.4L1正则化L2loss SVC原问题158

    11.2.5多类线性支持向量机158

    11.2.6实验程序160

    11.3liblinear简介160

    11.3.1求解的问题161

    11.3.2库的使用161

    11.4softmax回归162

    11.5应用164

    参考文献165

    第12章随机森林166

    12.1集成学习166

    12.1.1随机抽样166

    12.1.2Bagging算法167

    12.2随机森林概述167

    12.3训练算法167

    12.4变量的重要性168

    12.5实验程序169

    12.6应用169

    参考文献169

    第13章Boosting算法171

    13.1AdaBoost算法171

    13.1.1强分类器与弱分类器171

    13.1.2训练算法172

    13.1.3训练误差分析174

    13.2广义加法模型176

    13.3各种AdaBoost算法177

    13.3.1离散型AdaBoost177

    13.3.2实数型AdaBoost179

    13.3.3LogitBoost180

    13.3.4Gentle型AdaBoost181

    13.4实现细节问题182

    13.4.1弱分类器182

    13.4.2弱分类器的数量182

    13.4.3样本权重削减183

    13.5实验程序183

    13.6梯度提升算法183

    13.6.1梯度提升框架184

    13.6.2回归问题185

    13.6.3分类问题185

    13.6.4XGBoost187

    13.7应用——目标检测189

    13.7.1VJ框架的原理190

    13.7.2模型训练192

    参考文献193

    第14章深度学习概论195

    14.1机器学习面临的挑战195

    14.1.1人工特征196

    14.1.2机器学习算法197

    14.2深度学习技术197

    14.3进展与典型应用199

    14.3.1计算机视觉200

    14.3.2语音识别202

    14.3.3自然语言处理202

    14.3.4计算机图形学203

    14.3.5推荐系统203

    14.3.6深度强化学习204

    14.4自动编码器204

    14.4.1自动编码器简介204

    14.4.2去噪自动编码器205

    14.4.3稀疏自动编码器205

    14.4.4收缩自动编码器206

    14.4.5多层编码器206

    14.5受限玻尔兹曼机206

    14.5.1玻尔兹曼分布206

    14.5.2受限玻尔兹曼机结构207

    14.5.3训练算法209

    14.5.4深度玻尔兹曼机210

    14.5.5深度置信网210

    参考文献210

    第15章卷积神经网络218

    15.1网络结构218

    15.1.1卷积层219

    15.1.2池化层222

    15.1.3全连接层222

    15.2训练算法223

    15.2.1卷积层223

    15.2.2池化层226

    15.2.3随机梯度下降法227

    15.2.4迁移学习228

    15.3典型网络228

    15.3.1LeNet5网络228

    15.3.2AlexNet网络229

    15.3.3VGG网络230

    15.3.4GoogLeNet网络231

    15.4理论分析232

    15.4.1反卷积运算232

    15.4.2卷积层可视化233

    15.4.3理论解释235

    15.5挑战与改进措施236

    15.5.1卷积层236

    15.5.2池化层236

    15.5.3激活函数237

    15.5.4损失函数237

    15.5.5网络结构237

    15.5.6批量归一化241

    15.6实现细节242

    15.6.1卷积层242

    15.6.2激活函数244

    15.6.3内积层244

    15.6.4损失层245

    15.6.5求解器248

    15.7应用——计算机视觉251

    15.7.1人脸检测251

    15.7.2通用目标检测254

    15.7.3人脸关键点定位262

    15.7.4人脸识别263

    15.7.5图像分割265

    参考文献266

    第16章循环神经网络270

    16.1网络结构270

    16.1.1循环层270

    16.1.2输出层271

    16.1.3一个简单的例子272

    16.1.4深层网络272

    16.2网络的训练273

    16.2.1一个简单的例子273

    16.2.2完整的算法275

    16.3挑战与改进措施277

    16.3.1梯度消失277

    16.3.2长短期记忆模型278

    16.3.3门控循环单元279

    16.3.4双向网络279

    16.4序列预测问题280

    16.4.1序列标注问题280

    16.4.2连接主义时序分类281

    16.4.3序列到序列学习285

    16.5应用——语音识别287

    16.5.1语音识别问题287

    16.5.2GMMHMM框架288

    16.5.3深度模型288

    16.6应用——自然语言处理291

    16.6.1中文分词292

    16.6.2词性标注293

    16.6.3命名实体识别293

    16.6.4文本分类294

    16.6.5自动摘要296

    16.6.6机器翻译296

    参考文献298

    第17章生成对抗网络302

    17.1随机数据生成302

    17.2生成对抗网络结构303

    17.2.1生成模型303

    17.2.2判别模型304

    17.3模型的训练304

    17.3.1目标函数304

    17.3.2训练算法305

    17.3.3理论分析306

    17.4应用与改进307

    17.4.1改进方案308

    17.4.2典型应用311

    参考文献313

    第18章聚类算法314

    18.1问题定义314

    18.2层次聚类315

    18.3基于质心的算法315

    18.4基于概率分布的算法316

    18.4.1高斯混合模型316

    18.4.2EM算法317

    18.5基于密度的算法322

    18.5.1DBSCAN算法322

    18.5.2OPTICS算法324

    18.5.3Mean Shift算法326

    18.6基于图的算法328

    18.7算法评价指标331

    18.7.1内部指标331

    18.7.2外部指标331

    18.8实验程序332

    18.9应用332

    参考文献332

    第19章半监督学习334

    19.1问题假设334

    19.1.1连续性假设334

    19.1.2聚类假设334

    19.1.3流形假设334

    19.1.4低密度分割假设334

    19.2启发式算法335

    19.2.1自训练335

    19.2.2协同训练335

    19.3生成模型335

    19.4低密度分割336

    19.5基于图的算法336

    19.6半监督深度学习337

    参考文献338

    第20章隐马尔可夫模型340

    20.1马尔可夫模型340

    20.2隐马尔可夫模型简介343

    20.2.1模型结构343

    20.2.2中文分词345

    20.3估值问题345

    20.4解码问题347

    20.5训练算法349

    20.6应用352

    参考文献352

    第21章条件随机场353

    21.1马尔可夫随机场353

    21.1.1概率图模型353

    21.1.2马尔可夫随机场354

    21.2条件随机场概述355

    21.2.1条件随机场简介355

    21.2.2线性链条件随机场355

    21.3推断算法357

    21.4训练算法359

    21.5应用360

    参考文献360

    第22章强化学习361

    22.1强化学习简介361

    22.1.1问题定义361

    22.1.2马尔可夫决策过程362

    22.2基于动态规划的算法366

    22.2.1策略迭代算法366

    22.2.2价值迭代算法368

    22.3蒙特卡洛算法369

    22.3.1算法简介369

    22.3.2状态价值函数估计370

    22.3.3动作价值函数估计371

    22.3.4蒙特卡洛控制371

    22.4时序差分学习372

    22.4.1Sarsa算法372

    22.4.2Q学习373

    22.5深度强化学习374

    22.5.1深度Q网络375

    22.5.2策略梯度算法378

    22.6应用381

    参考文献381

    第三部分工程实践问题

    第23章工程实践问题概述385

    23.1实现细节问题385

    23.1.1训练样本385

    23.1.2特征预处理386

    23.1.3模型选择386

    23.1.4过拟合问题386

    23.2安全性问题387

    23.2.1对抗样本387

    23.2.2形成原因分析389

    23.3实现成本问题390

    23.3.1训练样本量390

    23.3.2计算与存储成本390

    23.4深度模型优化391

    23.4.1剪枝与编码391

    23.4.2二值化网络392

    23.4.3卷积核分离396

    参考文献397
     

    *** 次数:10600 已用完,请联系开发者***

    1. 本站所有资源来源于用户上传和网络,因此不包含技术服务请大家谅解!如有侵权请邮件联系客服!384324621@qq.com
    2. 本站不保证所提供下载的资源的准确性、安全性和完整性,资源仅供下载学习之用!如有链接无法下载、失效或广告,请联系客服处理,有奖励!
    3. 您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容资源!如用于商业或者非法用途,与本站无关,一切后果请用户自负!
    4. 如果您也有好的资源或教程,您可以投稿发布,成功分享后有★币奖励和额外收入!

    IO 源码网 » 机器学习 原理、算法与应用 PDF 下载

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    IO源码吧
    一个高级程序员模板开发平台

    发表评论

    • 157会员总数(位)
    • 12105资源总数(个)
    • 97本周发布(个)
    • 0 今日发布(个)
    • 537稳定运行(天)

    提供最优质的资源集合

    立即查看 了解详情