标签分类
当前位置:首页 > 人工智能电子书 > 人工智能电子书网盘下载
机器学习vs复杂系统 机器学习vs复杂系统
码小辫

码小辫 提供上传

资源
23
粉丝
13
喜欢
169
评论
20

    机器学习vs复杂系统 PDF 完整扫描版

    人工智能电子书
    • 发布时间:

    给大家带来的一篇关于人工智能相关的电子书资源,介绍了关于机器学习、复杂系统方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小4.7 MB,许铁编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.8,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vs复杂系统 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1hbv64AwIg_1bFmxVb838bg
  • 分享码:s676
  • 机器学习vs复杂系统 PDF

    这是一本有关人工智能、机器学习、深度学习、复杂系统的科普读物,让人从不同的视角看这些注定会深刻影响未来的不同学科,获得新的启发。不得不说,这本书有点烧脑,但确实会让人一看再看。 

    本书从跨学科视角来看待人工智能这个技术性的学科。围绕用数学模型预测未来这一主题,介绍算法,主要包括现在流行的机器学习和深度学习算法,以及算法要解决问题本身的复杂性。复杂的问题,需要复杂的算法,而算法设计背后的老师正是自然界的复杂性本身。*终,我们上升到自然界解决复杂性*有利的工具,即人类智能本身,让读者从神经科学的角度再次理解人工智能这个大主题,理解神经科学是如何启发人工智能的,而人工智能又如何帮助我们理解人类智能本身。本书既适合具有高中以上数学知识的一般读者,作为他们了解人工智能和复杂系统领域的科普读物;也适合已经在人工智能领域工作的专业人士,使他们从工程视角之外的更大视角去看待这一领域,获得新的启发。

    目录

    • 第一部分 复杂性
    • 1 复杂系统 ........................................................................................................ 2
    • 2 用复杂网络看世界经济(阅读难度1星)..................................................... 7
    • 3 风险管理策略之复杂科学视角 .................................................................. 11
    • 4 从物理角度看复杂 ...................................................................................... 24
    • 第二部分 机器学习
    • 5 白话机器学习(阅读难度1星) .................................................................. 46
    • 6 浅谈贝叶斯分析 .......................................................................................... 53
    • 7 简单贝叶斯分类器(阅读难度1星) .......................................................... 57
    • 8 决策树方法(阅读难度2星) ................................................................... 60
    • 9 感知机:神经网络的基础(阅读难度3星) ....................................... 64
    • 10 降维:应对复杂的通用武器(阅读难度1星) ......................................... 67
    • 第三部分 神经网络
    • 11 神经网络不神秘 ........................................................................................ 74
    • 12 CNN 的几个关键词(阅读难度3星) ................................................ 80
    • 13 时间序列与RNN ...................................................................................... 91
    • 14 会遗忘的神经网络(阅读难度3星) ................................................. 96
    • 15 跟着AlphaGo 理解深度强化学习框架(阅读难度3星) ............... 100
    • 16 从阿尔法元看强化学习的更广阔潜力 .................................................. 107
    • 第四部分 宇宙间最复杂的就是我们的大脑
    • 17 深层视觉信息的编码机制(阅读难度1星) ........................................... 114
    • 18 大脑的自由能假说——兼论认知科学与机器学习(阅读难度2星) 121
    • 19 大脑中的支持向量机(阅读难度3星) ........................................... 126
    • 20 机器学习是如何巧妙理解我们大脑的工作原理的
    • (阅读难度2星) ..................................................................................... 133
    • 21 大脑经济学(阅读难度1星) .................................................................. 140
    • 22 人工智能vs 人类智能(阅读难度2星) ............................................. 149
    • 第五部分 人工智能应用谈
    • 23 人工智能会取代艺术家的工作吗 .......................................................... 156
    • 24 机器学习预测心理疾病 .......................................................................... 159
    • 25 人机协作决策的两种方式 ...................................................................... 164
    • 26 小数据机器学习 ...................................................................................... 166
    • 27 用深度学习玩图像的七重关卡 .............................................................. 170
    • 28 深度学习助力基因科技 .......................................................................... 174
    • 29 机器学习对战复杂系统 .......................................................................... 176

    上一篇:Web前端开发精品课 JavaScript基础教程  下一篇:数据挖掘:概念与技术

    展开 +

    收起 -

    人工智能相关电子书
    学习笔记
    网友NO.915240

    python机器学习之神经网络实现

    神经网络在机器学习中有很大的应用,甚至涉及到方方面面。本文主要是简单介绍一下神经网络的基本理论概念和推算。同时也会介绍一下神经网络在数据分类方面的应用。 首先,当我们建立一个回归和分类模型的时候,无论是用最小二乘法(OLS)还是最大似然值(MLE)都用来使得残差达到最小。因此我们在建立模型的时候,都会有一个loss function。 而在神经网络里也不例外,也有个类似的loss function。 对回归而言: 对分类而言: 然后同样方法,对于W开始求导,求导为零就可以求出极值来。 关于式子中的W。我们在这里以三层的神经网络为例。先介绍一下神经网络的相关参数。 第一层是输入层,第二层是隐藏层,第三层是输出层。 在X1,X2经过W1的加权后,达到隐藏层,然后经过W2的加权,到达输出层 其中, 我们有: 至此,我们建立了一个初级的三层神经网络。 当我们要求其的loss function最小时,我们需要逆向来求,也就是所谓的backpropagation。 我们要分别对W1和W2进行求导,然后求出其极值。 从右手边开始逆推,首先对W2进行求导。 代入损失函数公式: 然后,我们进行化简: 化简到这里,我们同理再对W1进行求导。 我们可以发现当我们在做bp网络时候,有一个逆推回去的误差项,其决定了loss function 的最终大小。 在实……

    网友NO.911697

    python实现机器学习多元线性回归总结

    总体思路与一元线性回归思想一样,现在将数据以矩阵形式进行运算,更加方便。 一元线性回归实现代码 下面是多元线性回归用Python实现的代码: import numpy as npdef linearRegression(data_X,data_Y,learningRate,loopNum): W = np.zeros(shape=[1, data_X.shape[1]]) # W的shape取决于特征个数,而x的行是样本个数,x的列是特征值个数 # 所需要的W的形式为 行=特征个数,列=1 这样的矩阵。但也可以用1行,再进行转置:W.T # X.shape[0]取X的行数,X.shape[1]取X的列数 b = 0 #梯度下降 for i in range(loopNum): W_derivative = np.zeros(shape=[1, data_X.shape[1]]) b_derivative, cost = 0, 0 WXPlusb = np.dot(data_X, W.T) + b # W.T:W的转置 W_derivative += np.dot((WXPlusb - data_Y).T, data_X) # np.dot:矩阵乘法 b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y) cost += (WXPlusb - data_Y)*(WXPlusb - data_Y) W_derivative = W_derivative / data_X.shape[0] # data_X.shape[0]:data_X矩阵的行数,即样本个数 b_derivative = b_derivative / data_X.shape[0] W = W - learningRate*W_derivative b = b - learningRate*b_derivative cost = cost/(2*data_X.shape[0]) if i % 100 == 0: print(cost) print(W) print(b)if __name__== __main__: X = np.random.normal(0, 10, 100) noise = np.random.normal(0, 0.05, 20) W = np.array([[3, 5, 8, 2, 1]]) #设5个特征值 X = X.reshape(20, 5) #reshape成20行5列 noise = noise.reshape(20, 1) Y = np.dot(X, W.T)+6 + noise linearRegression……

    网友NO.300582

    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