标签分类
当前位置:首页 > 人工智能电子书 > 机器学习电子书网盘下载
机器学习经典算法实践 机器学习经典算法实践
萧曵 丶

萧曵 丶 提供上传

资源
10
粉丝
8
喜欢
47
评论
14

    机器学习经典算法实践 PDF 全书扫描版

    机器学习电子书
    • 发布时间:

    给大家带来的一篇关于机器学习相关的电子书资源,介绍了关于机器学习、算法、实践方面的内容,本书是由清华大学出版社出版,格式为PDF,资源大小113 MB,肖云鹏编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.9,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

  • 机器学习经典算法实践 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1VMw9TF6BPdOZOLLMq2Ul6w
  • 分享码:h5s7
  • 机器学习经典算法实践 PDF

    无论是机器学习的工程项目产品研发,還是机器学习方位的科研型试验,这书,都最该有着! 

    这书是为本科、研究生学习参照原材料,以讲基本原理、彻底对外开放源码、应用公布uci数据集、试验实际效果演试为特点。既合适本科毕业、硕士研究生课堂教学应用,也合适通过自学。 以便相互配合老师课堂教学及小朋友们通过自学,这书出示了配套设施课堂教学的ppt和全部章节目录的源码。

    目录

    • ●第1章KNN
    • 1.1KNN算法原理
    • 1.1.1算法引入
    • 1.1.2科学问题
    • 1.1.3算法流程
    • 1.1.4算法描述
    • 1.1.5补充说明
    • 1.2KNN算法实现
    • 1.2.1简介
    • 1.2.2核心代码
    • 1.3实验数据
    • 1.4实验结果
    • 1.4.1结果展示
    • 1.4.2结果分析
    • ●第2章朴素贝叶斯
    • 2.1朴素贝叶斯算法原理
    • 2.1.1朴素贝叶斯算法引入
    • 2.1.2科学问题
    • 2.1.3算法流程
    • 2.1.4算法描述
    • 2.1.5算法补充
    • 2.2朴素贝叶斯算法实现
    • 2.2.1简介
    • 2.2.2核心代码
    • 2.3实验数据
    • 2.4实验结果
    • 2.4.1结果展示
    • 2.4.2结果分析
    • ●第3章C4.5
    • 3.1C4.5算法原理
    • 3.1.1C4.5算法引入
    • 3.1.2科学问题
    • 3.1.3算法流程
    • 3.1.4算法描述
    • 3.1.5补充说明
    • 3.2C4.5算法实现
    • 3.2.1简介
    • 3.2.2核心代码
    • 3.3实验数据
    • 3.4实验结果
    • 3.4.1结果展示
    • 3.4.2结果分析
    • ●第4章SVM
    • 4.1SVM算法原理
    • 4.1.1算法引入
    • 4.1.2科学问题
    • 4.1.3算法流程
    • 4.1.4算法描述
    • 4.1.5补充说明
    • 4.2SVM算法实现
    • 4.2.1简介
    • 4.2.2核心代码
    • 4.3实验数据
    • 4.4实验结果
    • 4.4.1结果展示
    • 4.4.2结果分析
    • ●第5章AdaBoost
    • 5.1AdaBoost算法原理
    • 5.1.1算法引入
    • 5.1.2科学问题
    • 5.1.3算法流程
    • 5.1.4算法描述
    • 5.1.5补充说明
    • 5.2AdaBoost算法实现
    • 5.2.1简介
    • 5.2.2核心代码
    • 5.3实验数据
    • 5.4实验结果
    • 5.4.1结果展示
    • 5.4.2结果分析
    • ●第6章CART
    • 6.1CART算法原理
    • 6.1.1算法引入
    • 6.1.2科学问题
    • 6.1.3算法流程
    • 6.1.4算法描述
    • 6.1.5补充说明
    • 6.2CART算法实现
    • 6.2.1简介
    • 6.2.2核心代码
    • 6.3实验数据
    • 6.4实验结果
    • 6.4.1结果展示
    • 6.4.2结果分析
    • ●第7章KMeans
    • 7.1KMeans算法原理
    • 7.1.1算法引入
    • 7.1.2科学问题
    • 7.1.3算法流程
    • 7.1.4算法描述
    • 7.1.5补充说明
    • 7.2KMeans算法实现
    • 7.2.1简介
    • 7.2.2核心代码
    • 7.3实验数据
    • 7.4实验结果
    • 7.4.1结果展示
    • 7.4.2结果分析
    • ●第8章Apriori
    • 8.1Apriori算法原理
    • 8.1.1算法引入
    • 8.1.2科学问题
    • 8.1.3算法流程
    • 8.1.4算法描述
    • 8.2Apriori算法实现
    • 8.2.1简介
    • 8.2.2核心代码
    • 8.3实验数据
    • 8.4实验结果
    • 8.4.1结果展示
    • 8.4.2结果分析
    • ●第9章PageRank
    • 9.1PageRank算法原理
    • 9.1.1PageRank算法引入
    • 9.1.2科学问题
    • 9.1.3算法流程
    • 9.1.4算法描述
    • 9.2PageRank算法实现
    • 9.2.1简介
    • 9.2.2核心代码
    • 9.3实验数据
    • 9.4实验结果
    • 9.4.1结果展示
    • 9.4.2结果分析
    • ●第10章EM
    • 10.1EM算法原理
    • 10.1.1EM算法引入
    • 10.1.2科学问题
    • 10.1.3理论推导
    • 10.1.4算法流程
    • 10.1.5算法描述
    • 10.2EMGMM实现
    • 10.2.1简介
    • 10.2.2核心代码
    • 10.3实验数据
    • 10.4实验结果
    • 10.4.1结果展示
    • 10.4.2结果分析
    • 参考文献

    上一篇:机器学习在线:解析阿里云机器学习平台  下一篇:跟老齐学Python:数据分析

    展开 +

    收起 -

    码小辫二维码
     ←点击下载即可登录

    机器学习相关电子书
    学习笔记
    网友NO.977175

    PHP机器学习库php-ml的简单测试和使用方法

    php-ml是一个使用PHP编写的机器学习库。虽然我们知道,python或者是C++提供了更多机器学习的库,但实际上,他们大多都略显复杂,配置起来让很多新手感到绝望。 php-ml这个机器学习库虽然没有特别高大上的算法,但其具有最基本的机器学习、分类等算法,我们的小公司做一些简单的数据分析、预测等等都是够用的。我们的项目中,追求的应该是性价比,而不是过分的效率和精度。一些算法和库看上去非常厉害,但如果我们考虑快速上线,而我们的技术人员没有机器学习方面的经验,那么复杂的代码和配置反而会拖累我们的项目。而如果我们本身就是做一个简单的机器学习应用,那么研究复杂库和算法的学习成本很显然高了点,而且,项目出了奇奇怪怪的问题,我们能解决吗?需求改变了怎么办?相信大家都有过这种经历:做着做着,程序忽然报错,自己怎么都搞不清楚原因,上谷歌或百度一搜,只搜出一条满足条件的问题,在五年、十年前提问,然后零回复。。。 所以,选择最简单最高效、性价比最高的做法是必须的。php-ml的速度不算慢(赶紧换php7吧),而且精度也不错,毕竟算法都一样,而且php是基于c的。博主最看不惯的就是,拿python和Java,PHP之间比性能,比适用范围。真要性能,请你拿C开发。真要追求适用范围……

    网友NO.542611

    Javascript实现的机器学习类库的原理

    机器学习(Machine Learning)在最近几年绝对称的上是大火,越来越多的公司和资本投入了巨大资源和金钱到这个新上位的技术新宠中,尤其是随着更多的各种机器学习相关类库的出现和发展,更多新的技术已经被应用到了机器学习中, 现在大家可以看到, Python不再是唯一个老牌机器学习的必用语言, 对于现代神经网络(neural networks)语言不再是一个问题, 你基本可以使用任何的编程语言, 包括今天我们介绍的标准前端开发语言 - Javascript Web的整个体系已经在近几年中有了长足的发展, 虽然 Javascript 和 node.js的使用案例还远远无法和Java/Python来媲美。 但是 也足够应用到很多机器学习的环境中去啦。而且最大的优势在于 - 一个浏览器就可以帮你搞定了一切 ! 虽然, 基于Javascript的机器学习类库还非常的早期,很多依旧在开发状态下, 但是他们的确已经可以提供比较早期的体验。 在今天这篇文章中, 我们将选择几款超酷的机器学习和AI相关的web应用, 让大家初体验一下 ~~ Brain brain是一个允许你快速简单创建神经网络并且基于输入/输出进行训练的类库。虽然一个CDN浏览器版本可以直接将类库加载到web页面中, 因为这个训练过程占用了大量的资源, 所以将这个类库运行在了一格Node.js环境下 。 这个类库包含了一个非常迷你的……

    网友NO.118209

    Python机器学习之scikit-learn库中KNN算法的封装与使用方法

    本文实例讲述了Python机器学习之scikit-learn库中KNN算法的封装与使用方法。分享给大家供大家参考,具体如下: 1、工具准备,python环境,pycharm 2、在机器学习中,KNN是不需要训练过程的算法,也就是说,输入样例可以直接调用predict预测结果,训练数据集就是模型。当然这里必须将训练数据和训练标签进行拟合才能形成模型。 3、在pycharm中创建新的项目工程,并在项目下新建KNN.py文件。 import numpy as npfrom math import sqrtfrom collections import Counterclass KNNClassifier: def __init__(self,k): """初始化KNN分类器""" assert k = 1 """断言判断k的值是否合法""" self.k = k self._X_train = None self._y_train = None def fit(self,X_train,y_train): """根据训练数据集X_train和Y_train训练KNN分类器,形成模型""" assert X_train.shape[0] == y_train.shape[0] """数据和标签的大小必须一样 assert self.k = X_train.shape[0] """k的值不能超过数据的大小""" self._X_train = X_train self._y_train = y_train return self def predict(self,X_predict): """必须将训练数据集和标签拟合为模型才能进行预测的过程""" assert self._X_train is not None and self._y_train is not None """训练数据和标签不可以是空的""" assert X_predict.shape[1]== self._X_train.shape[1] """待预测数据和训练数据的列(特征个数)必须相同""" y_predict = [self._predict(x) for x in X_predict] return np.array(y_predict) ……

    网友NO.358096

    总结Python常用的机器学习库

    Python在科学计算中用途广泛:计算机视觉、人工智能、数学、天文等。它同样适用于机器学习也是意料之中的事。 这篇文章就列举并描述Python的最有用的机器学习工具和库。这个列表中,我们不要求这些库是用Python写的,只要有Python接口就够了。 我们的目的不是列出Python中所有机器学习库(搜索“机器学习”时Python包索引(PyPI)返回了139个结果),而是列出我们所知的有用并且维护良好的那些。 另外,尽管有些模块可以用于多种机器学习任务,我们只列出主要焦点在机器学习的库。比如,虽然Scipy1包含一些聚类算法,但是它的主焦点不是机器学习而是全面的科学计算工具集。因此我们排除了Scipy(尽管我们也使用它!)。 另一个需要提到的是,我们同样会根据与其他科学计算库的集成效果来评估这些库,因为机器学习(有监督的或者无监督的)也是数据处理系统的一部分。如果你使用的库与数据处理系统其他的库不相配,你就要花大量时间创建不同库之间的中间层。在工具集中有个很棒的库很重要,但这个库能与其他库良好集成也同样重要。 如果你擅长其他语言,但也想使用Python包,我们也简单地描述如何与Python进行集成来使用这篇文章列出的库。 Scikit-Learn Scikit Learn7是我们在CB Insights选用的机器学习工具。我们用它进行分类、特……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明