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
基于免疫计算的机器学习方法及应用 基于免疫计算的机器学习方法及应用
28339273

28339273 提供上传

资源
38
粉丝
4
喜欢
147
评论
17

    基于免疫计算的机器学习方法及应用 PDF 原书完整版

    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,介绍了关于免疫计算、机器学习、方法、应用方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小2.7 MB,徐雪松编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.1,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

  • 基于免疫计算的机器学习方法及应用 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1wVi-ICFLj8kh474Vi4rlyg
  • 分享码:8kj7
  • 基于免疫计算的机器学习方法及应用 PDF

    对于关联规则发掘、数据标准化、统计数据聚类分析法、特性约简等深度学习及生物信息大数据分析等实际难题,明确提出一连串新方式,并融合深度神经网络和张量测算讨论了深度学习软计算方式的*发展趋势动态性和方位。

    互联网时代的深度学习和数据挖掘算法的功效日趋关键,遭受了普遍的关心。这书着眼于工程项目运用,将免疫力智能化计算方式导入深度学习行业,着眼于科学研究根据微生物免疫力基本原理的深度学习软计算方式,以免疫力测算智能化的基本概念为案件线索,对其科学研究情况多方面针对性的阐述,从基础理论、优化算法搭建及工程项目运用等层面对免疫力深度学习开展详细介绍和剖析。对于关联规则发掘、数据标准化、统计数据聚类分析法、特性约简等深度学习及生物信息大数据分析等实际难题,明确提出一连串新方式,并融合深度神经网络和张量测算讨论了深度学习软计算方式的*发展趋势动态性和方位。

    目录

    • 第1 章 诸论...............................................................................................1
    • 1.1 引言............................................................................................................. 2
    • 1.2 人工智能与机器学习................................................................................. 3
    • 1.3 数据挖掘与机器学习................................................................................. 7
    • 1.4 仿生计算智能与机器学习....................................................................... 12
    • 1.5 免疫计算与机器学习............................................................................... 16
    • 1.6 本书的内容及结构................................................................................... 20
    • 参考文献........................................................................................................... 22
    • 第2 章机器学习主流技术与方法............................................................. 29
    • 2.1 机器学习的发展....................................................................................... 30
    • 2.2 机器学习中的统计分析方法................................................................... 34
    • 2.2.1 线性回归分析............................................................................... 38
    • 2.2.2 非线性回归分析........................................................................... 40
    • 2.2.3 多元线性回归分析....................................................................... 42
    • 2.3 机器学习中的现代技术方法................................................................... 44
    • 2.3.1 粗糙集........................................................................................... 45
    • 2.3.2 遗传算法....................................................................................... 50?
    • 2.3.3 神经网络....................................................................................... 54
    • 2.3.4 深度学习....................................................................................... 60
    • 2.3.5 支持向量机................................................................................... 62
    • 2.3.6 强化学习....................................................................................... 72
    • 2.3.7 度量学习....................................................................................... 75
    • 2.3.8 多核学习....................................................................................... 77
    • 2.3.9 集成学习....................................................................................... 78
    • 2.3.10 主动学习..................................................................................... 80
    • 2.3.11 迁移学习..................................................................................... 83
    • 参考文献........................................................................................................... 85
    • 第3 章免疫计算的基础原理.................................................................... 95
    • 3.1 免疫计算生物学基础............................................................................... 96
    • 3.1.1 免疫学基本概念........................................................................... 96
    • 3.1.2 生物免疫系统的结构及组成....................................................... 97
    • 3.1.3 免疫系统功能及机制................................................................. 102
    • 3.2 人工免疫基本原理..................................................................................113
    • 3.2.1 人工免疫系统基本概念..............................................................115
    • 3.2.2 人工免疫系统基本原理及机制..................................................116
    • 3.3 免疫计算学习及优化方法..................................................................... 120
    • 参考文献......................................................................................................... 123
    • 第4 章基于免疫聚类竞争的关联规则挖掘方法..................................... 127
    • 4.1 基本概念及问题描述............................................................................. 128
    • 4.2 数据表达及初始化................................................................................. 131
    • 4.3 免疫关联规则挖掘................................................................................. 132
    • 4.3.1 抗体聚类与竞争克隆................................................................. 132
    • 4.3.2 抗体编码及初始化..................................................................... 135
    • 4.3.3 抗体亲和力定义......................................................................... 138
    • 4.3.4 抗体操作..................................................................................... 138
    • 4.4 免疫关联规则挖掘方法及分析............................................................. 140
    • 4.5 仿真实验及应用..................................................................................... 143
    • 4.5.1 UCI 数据集仿真实验................................................................. 143
    • 4.5.2 教学质量规则挖掘与分析......................................................... 145
    • 参考文献......................................................................................................... 147
    • 第5 章基于小生境免疫粗糙集属性约简方法......................................... 153
    • 5.1 问题描述................................................................................................. 154
    • 5.2 基本概念及理论..................................................................................... 155
    • 5.3 属性信息编码及小生境免疫优化......................................................... 156
    • 5.3.1 疫苗提取及初始抗体种群......................................................... 156
    • 5.3.2 抗体编码及接种疫苗................................................................. 159
    • 5.4 小生境免疫共享机制及免疫算子操作................................................. 160
    • 5.5 算法执行过程......................................................................................... 163
    • 5.6 试验仿真及应用..................................................................................... 165
    • 5.6.1 实验1.......................................................................................... 165
    • 5.6.2 实验2.......................................................................................... 168
    • 5.6.3 实验3.......................................................................................... 170
    • 参考文献......................................................................................................... 172
    • 第6 章基于免疫阴性选择的数据分类器................................................ 178
    • 6.1 问题描述................................................................................................. 179
    • 6.2 基本概念及原理..................................................................................... 180
    • 6.3 文本分类规则编码................................................................................. 182
    • 6.3.1 个体编码..................................................................................... 182
    • 6.3.2 亲和力定义................................................................................. 183
    • 6.3.3 免疫优化..................................................................................... 184
    • 6.4 掩码匹配的否定选择分类器................................................................. 184
    • 6.5 免疫进化分类实现................................................................................. 186
    • 6.6 仿真实验及应用..................................................................................... 187
    • 6.6.1 实验一......................................................................................... 187
    • 6.6.2 实验二......................................................................................... 188
    • 参考文献.....

    上一篇:手把手教你学成Photoshop高手  下一篇:解忧程序员:高薪编程、求职面试与成长转型宝典

    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.724490

    Python机器学习之SVM支持向量机

    SVM支持向量机是建立于统计学习理论上的一种分类算法,适合与处理具备高维特征的数据集。 SVM算法的数学原理相对比较复杂,好在由于SVM算法的研究与应用如此火爆,CSDN博客里也有大量的好文章对此进行分析,下面给出几个本人认为讲解的相当不错的: 支持向量机通俗导论(理解SVM的3层境界) JULY大牛讲的是如此详细,由浅入深层层推进,以至于关于SVM的原理,我一个字都不想写了。。强烈推荐。 还有一个比较通俗的简单版本的:手把手教你实现SVM算法 SVN原理比较复杂,但是思想很简单,一句话概括,就是通过某种核函数,将数据在高维空间里寻找一个最优超平面,能够将两类数据分开。 针对不同数据集,不同的核函数的分类效果可能完全不一样。可选的核函数有这么几种: 线性函数:形如K(x,y)=x*y这样的线性函数; 多项式函数:形如K(x,y)=[(x·y)+1]^d这样的多项式函数; 径向基函数:形如K(x,y)=exp(-|x-y|^2/d^2)这样的指数函数; Sigmoid函数:就是上一篇文章中讲到的Sigmoid函数。 我们就利用之前的几个数据集,直接给出Python代码,看看运行效果: 测试1:身高体重数据 # -*- coding: utf-8 -*- import numpy as np import scipy as sp from sklearn import svm from sklearn.cross_validation import train_test_split import matplotlib.pyplot as plt data = [] labels = [] with ……

    网友NO.889971

    python机器学习理论与实战(六)支持向量机

    上节基本完成了SVM的理论推倒,寻找最大化间隔的目标最终转换成求解拉格朗日乘子变量alpha的求解问题,求出了alpha即可求解出SVM的权重W,有了权重也就有了最大间隔距离,但是其实上节我们有个假设:就是训练集是线性可分的,这样求出的alpha在[0,infinite]。但是如果数据不是线性可分的呢?此时我们就要允许部分的样本可以越过分类器,这样优化的目标函数就可以不变,只要引入松弛变量 即可,它表示错分类样本点的代价,分类正确时它等于0,当分类错误时 ,其中Tn表示样本的真实标签-1或者1,回顾上节中,我们把支持向量到分类器的距离固定为1,因此两类的支持向量间的距离肯定大于1的,当分类错误时 肯定也大于1,如(图五)所示(这里公式和图标序号都接上一节)。 (图五) 这样有了错分类的代价,我们把上节(公式四)的目标函数上添加上这一项错分类代价,得到如(公式八)的形式: (公式八) 重复上节的拉格朗日乘子法步骤,得到(公式九): (公式九) 多了一个Un乘子,当然我们的工作就是继续求解此目标函数,继续重复上节的步骤,求导得到(公式十): (公式十) 又因为alpha大于0,而且Un大于0,所以0alphaC,为了解释的清晰一些,我们把(公式九)的KKT条件也发出来(上节中的第三类优化问题……

    网友NO.667333

    机器学习python实战之手写数字识别

    看了上一篇内容之后,相信对K近邻算法有了一个清晰的认识,今天的内容——手写数字识别是对上一篇内容的延续,这里也是为了自己能更熟练的掌握k-NN算法。 我们有大约2000个训练样本和1000个左右测试样本,训练样本所在的文件夹是trainingDigits,测试样本所在的文件夹是testDigits。文本文件中是0~9的数字,但是是用二值图表示出来的,如图。我们要做的就是使用训练样本训练模型,并用测试样本来检测模型的性能。 首先,我们需要将文本文件中的内容转化为向量,因为图片大小是32*32,所以我们可以将其转化为1*1024的向量。具体代码实现如下: def img2vector(filename): imgVec = zeros((1,1024)) file = open(filename) for i in range(32): lines = file.readline() for j in range(32): imgVec[0,32*i+j] = lines[j] return imgVec 实现了图片到向量的转化之后,我们就可以对测试文件中的内容进行识别了。这里的识别我们可以使用上一篇中的自定义函数classify0,这个函数的第一个参数是测试向量,第二个参数是训练数据集,第三个参数是训练集的标签。所以,我们首先需要将训练数据集转化为(1934*1024)的矩阵,1934这里是训练集的组数即trainingDigits目录下的文件数,其对应的标签转化为(1*1934)的向量。之后要编写的代码就是对测试数据集中的每个文本文件进行识别,也……

    网友NO.614901

    python机器学习理论与实战(四)逻辑回归

    从这节算是开始进入“正规”的机器学习了吧,之所以“正规”因为它开始要建立价值函数(cost function),接着优化价值函数求出权重,然后测试验证。这整套的流程是机器学习必经环节。今天要学习的话题是逻辑回归,逻辑回归也是一种有监督学习方法(supervised machine learning)。逻辑回归一般用来做预测,也可以用来做分类,预测是某个类别^.^!线性回归想比大家都不陌生了,y=kx+b,给定一堆数据点,拟合出k和b的值就行了,下次给定X时,就可以计算出y,这就是回归。而逻辑回归跟这个有点区别,它是一种非线性函数,拟合功能颇为强大,而且它是连续函数,可以对其求导,这点很重要,如果一个函数不可求导,那它在机器学习用起来很麻烦,早期的海维赛德(Heaviside)阶梯函数就因此被sigmoid函数取代,因为可导意味着我们可以很快找到其极值点,这就是优化方法的重要思想之一:利用求导,得到梯度,然后用梯度下降法更新参数。 下面来看看逻辑回归的sigmoid函数,如(图一)所示: (图一) (图一)中上图是sigmoid函数在定义域[-5,5] 上的形状,而下图是在定义域[-60,60]上的形状,由这两个图可以看出,它比较适合做二类的回归,因为严重两级分化。Sigmoid函数的如(公式一)所示: (公式一) 现在有了二类回归函数……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明