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Web应用 机器学习Web应用
码小辫

码小辫 提供上传

资源
49
粉丝
24
喜欢
265
评论
5

    机器学习Web应用 PDF 高清原版

    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、Web应用方面的内容,本书是由人民邮电出版社出版,格式为PDF,资源大小16.6 MB,Andrea Isoni 爱索尼克编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.6,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Web应用 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1k050EmjgLfT1Obzw3RAqDQ
  • 分享码:1237
  • 机器学习Web应用 PDF

    Python是一种通用性计算机语言,都是一种相对性非常容易学习培训的語言。因而,大数据工程师在为中小规模纳税人的uci数据集制做原形、保持数据可视化和剖析统计数据时,常常挑选应用Python。 这书弥补了深度学习和Web开发设计中间的差距。这书重中之重解读在Web运用中保持分析预测作用的难题,重中之重详细介绍Python語言及有关架构、专用工具和库,展现了怎样构建深度学习系统软件。你将从这书学得深度学习的关键定义,学习培训如何把统计数据布署到用Django架构开发设计的Web运用;还将学得怎样发掘Web、文本文档和服务端统计数据及其怎样构建强烈推荐模块。 接着,你将深化探寻功能齐全的Django架构,学习培训构建1个简易、具有科技感的电影影评情感分析运用,它但是用机器学习算法驱动器的! 这书是写給正勤奋变成大数据工程师的用户及其当红的大数据工程师的。用户应当具有某些深度学习工作经验。当你对开发设计智能化(具有预测分析作用的)Web运用很感兴趣,或已经从业有关开发设计工作中,这书特别适合你。把握必须的Django专业知识,学习培训这书将会更为轻轻松松。人们还期待用户具有必须的Python程序编写背景图和扎扎实实的生物学专业知识。 根据阅读文章这书,你将可以: ● 了解深度学习基本要素和深度学习小区应用的某些专业术语。

    ● 用多种多样专用工具和技术性从平台网站发掘统计数据。 

    ● 把握Django架构的关键定义。 

    ● 掌握常见的聚类算法和归类技术性,合用Python保持他们。 

    ● 把握用Django构建Web运用需要的全部bi备专业知识。 

    ● 用Python語言的Django库取得成功构建和布署电影推荐系统软件。

    深度学习能用来解决由客户造成的、总数持续提高的Web统计数据。 这书解读怎样用Python語言、Django架构开发设计这款Web商业服务运用,及其怎样用某些制好的库和专用工具(sklearn、scipy、nltk和Django等)解决和剖析运用所转化成或应用的统计数据。这书不但涉及到深度学习的关键定义,还详细介绍了如何把统计数据布署到用Django架构开发设计的Web运用,包含Web、文本文档和服务端统计数据的发掘和强烈推荐模块的构建方式 。 这书合适之广居变成或不久变成大数据工程师的用户学习培训,也合适对深度学习、Web大数据挖掘等技术性实践活动很感兴趣的用户参照阅读文章。

    目录

    • 第1章 Python机器学习实践入门 1
    • 1.1 机器学习常用概念 1
    • 1.2 数据的准备、处理和可视化
    • —NumPy、pandas和matplotlib教程 6
    • 1.2.1 NumPy的用法 6
    • 1.2.2 理解pandas模块 23
    • 1.2.3 matplotlib教程 32
    • 1.3 本书使用的科学计算库 35
    • 1.4 机器学习的应用场景 36
    • 1.5 小结 36
    • 第2章 无监督机器学习 37
    • 2.1 聚类算法 37
    • 2.1.1 分布方法 38
    • 2.1.2 质心点方法 40
    • 2.1.3 密度方法 41
    • 2.1.4 层次方法 44
    • 2.2 降维 52
    • 2.3 奇异值分解(SVD) 57
    • 2.4 小结 58
    • 第3章 有监督机器学习 59
    • 3.1 模型错误评估 59
    • 3.2 广义线性模型 60
    • 3.2.1 广义线性模型的概率
    • 解释 63
    • 3.2.2 k近邻 63
    • 3.3 朴素贝叶斯 64
    • 3.3.1 多项式朴素贝叶斯 65
    • 3.3.2 高斯朴素贝叶斯 66
    • 3.4 决策树 67
    • 3.5 支持向量机 70
    • 3.6 有监督学习方法的对比 75
    • 3.6.1 回归问题 75
    • 3.6.2 分类问题 80
    • 3.7 隐马尔可夫模型 84
    • 3.8 小结 93
    • 第4章 Web挖掘技术 94
    • 4.1 Web结构挖掘 95
    • 4.1.1 Web爬虫 95
    • 4.1.2 索引器 95
    • 4.1.3 排序—PageRank
    • 算法 96
    • 4.2 Web内容挖掘 97
    • 句法解析 97
    • 4.3 自然语言处理 98
    • 4.4 信息的后处理 108
    • 4.4.1 潜在狄利克雷分配 108
    • 4.4.2 观点挖掘(情感
    • 分析) 113
    • 4.5 小结 117
    • 第5章 推荐系统 118
    • 5.1 效用矩阵 118
    • 5.2 相似度度量方法 120
    • 5.3 协同过滤方法 120
    • 5.3.1 基于记忆的协同
    • 过滤 121
    • 5.3.2 基于模型的协同
    • 过滤 126
    • 5.4 CBF方法 130
    • 5.4.1 商品特征平均得分
    • 方法 131
    • 5.4.2 正则化线性回归
    • 方法 132
    • 5.5 用关联规则学习,构建推荐
    • 系统 133
    • 5.6 对数似然比推荐方法 135
    • 5.7 混合推荐系统 137
    • 5.8 推荐系统评估 139
    • 5.8.1 均方根误差(RMSE)
    • 评估 140
    • 5.8.2 分类效果的度量方法 143
    • 5.9 小结 144
    • 第6章 开始Django之旅 145
    • 6.1 HTTP—GET和POST方法的
    • 基础 145
    • 6.1.1 Django的安装和
    • 服务器的搭建 146
    • 6.1.2 配置 147
    • 6.2 编写应用—Django
    • 最重要的功能 150
    • 6.2.1 model 150
    • 6.2.2 HTML网页背后的
    • URL和view 151
    • 6.2.3 URL声明和view 154
    • 6.3 管理后台 157
    • 6.3.1 shell接口 158
    • 6.3.2 命令 159
    • 6.3.3 RESTful应用编程
    • 接口(API) 160
    • 6.4 小结 162
    • 第7章 电影推荐系统Web应用 163
    • 7.1 让应用跑起来 163
    • 7.2 model 165
    • 7.3 命令 166
    • 7.4 实现用户的注册、登录和
    • 登出功能 172
    • 7.5 信息检索系统(电影查询) 175
    • 7.6 打分系统 178
    • 7.7 推荐系统 180
    • 7.8 管理界面和API 182
    • 7.9 小结 184
    • 第8章 影评情感分析应用 185
    • 8.1 影评情感分析应用用法
    • 简介 185
    • 8.2 搜索引擎的选取和应用的
    • 代码 187
    • 8.3 Scrapy的配置和情感分析
    • 应用代码 189
    • 8.3.1 Scrapy的设置 190
    • 8.3.2 Scraper 190
    • 8.3.3 Pipeline 193
    • 8.3.4 爬虫 194
    • 8.4 Django model 196

    上一篇:微信公众平台企业应用开发实战  下一篇:零基础学Java

    展开 +

    收起 -

    码小辫二维码
     ←点击下载即可登录

    人工智能相关电子书
    学习笔记
    网友NO.899227

    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.854293

    Python机器学习算法库scikit-learn学习之决策树实现方法详解

    本文实例讲述了Python机器学习算法库scikit-learn学习之决策树实现方法。分享给大家供大家参考,具体如下: 决策树 决策树 (DTs)是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型,通过从数据特性中推导出简单的决策规则来预测目标变量的值。 例如,在下面的例子中,决策树通过一组if-then-else决策规则从数据中学习到近似正弦曲线的情况。树越深,决策规则越复杂,模型也越合适。 决策树的一些优势是: 便于说明和理解,树可以可视化表达; 需要很少的数据准备。其他技术通常需要数据标准化,需要创建虚拟变量,并删除空白值。 使用树的成本是用于对树进行训练的数据点的对数。 能够处理数值和分类数据。其他技术通常是专门分析只有一种变量的数据集。 能够处理多输出问题。 使用白盒模型。如果一个给定的情况在模型中可以观察到,那么这个条件的解释很容易用布尔逻辑来解释。相比之下,在黑盒模型中(例如:在人工神经网络中,结果可能更难解释。 可以使用统计测试验证模型。这样就可以解释模型的可靠性。 即使它的假设在某种程度上违反了生成数据的真实模型,也会表现得很好。 决策树的缺点包括: 决策树学习可能会生成过于复杂的树,不能代表普遍的规则,这就称为过拟合。修剪(目前不……

    网友NO.814358

    Python与Scikit-Learn的机器学习探索详解

    这篇文章主要介绍了基于Python和Scikit-Learn的机器学习探索的相关内容,小编觉得还是挺不错的,这里分享给大家,供需要的朋友学习和参考。 你好,%用户名%! 我叫Alex,我在机器学习和网络图分析(主要是理论)有所涉猎。我同时在为一家俄罗斯移动运营商开发大数据产品。这是我第一次在网上写文章,不喜勿喷。 现在,很多人想开发高效的算法以及参加机器学习的竞赛。所以他们过来问我:”该如何开始?”。一段时间以前,我在一个俄罗斯联邦政府的下属机构中领导了媒体和社交网络大数据分析工具的开发。我仍然有一些我团队使用过的文档,我乐意与你们分享。前提是读者已经有很好的数学和机器学习方面的知识(我的团队主要由MIPT(莫斯科物理与技术大学)和数据分析学院的毕业生构成)。 这篇文章是对数据科学的简介,这门学科最近太火了。机器学习的竞赛也越来越多(如,Kaggle, TudedIT),而且他们的资金通常很可观。 R和Python是提供给数据科学家的最常用的两种工具。每一个工具都有其优缺点,但Python最近在各个方面都有所胜出(仅为鄙人愚见,虽然我两者都用)。这一切的发生是因为Scikit-Learn库的腾空出世,它包含有完善的文档和丰富的机器学习算法。 请注意,我们将主要在这篇文章中探讨机器学习算……

    网友NO.261965

    Python机器学习logistic回归代码解析

    本文主要研究的是Python机器学习logistic回归的相关内容,同时介绍了一些机器学习中的概念,具体如下。 Logistic回归的主要目的 :寻找一个非线性函数sigmod最佳的拟合参数 拟合、插值和逼近是数值分析的三大工具 回归: 对一直公式的位置参数进行估计 拟合 :把平面上的一些系列点,用一条光滑曲线连接起来 logistic主要思想: 根据现有数据对分类边界线建立回归公式、以此进行分类 sigmoid函数: 在神经网络中它是所谓的激励函数。当输入大于0时,输出趋向于1,输入小于0时,输出趋向0,输入为0时,输出为0.5 梯度上升 :要找到某个函数的最大值,最好的方法是沿着该函数的梯度方向探寻 收敛: 随着迭代的运行算法的结果和真实结果的误差越来越小,且趋向于一个固定值。 爬山算法: 是完完全全的贪心算法,每次鼠目寸光的选择一个当前最优解,英雌只能搜寻到局部最优值 模拟退火算法: 也是一种贪心算法但它的sou索过程引入了随机因素,模拟退火算法以一定的概念来接受一个比当前解要差的解,因此有可能会跳出这个局部最优解,达到全局最优解。 处理数据中的缺失值: 使用可用特征的均值来填补缺失值 使用特殊值来填补缺失值,如-1 忽略有缺失值的样本 使用相似样本的均值添补缺失值 使用其它机器学习算法……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明