视觉机器学习20讲

给大家带来的一篇关于人工智能相关的电子书资源，介绍了关于视觉、机器学习方面的内容，本书是由清华大学出版社出版，格式为PDF，资源大小123.1 MB，谢剑斌　编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：7.1。

内容介绍

这书是在机器学习领域12位博士研究生很多年科学研究机器学习的基础知识、关键优化算法、核心技术和运用实践活动的科学研究结晶体，是创作者们很多年有关科学研究实践活动的体会心得和系统软件小结。

这书从基本理论、保持方法、改善方法、模拟仿真步骤、关键编码、源代码、试验数据信息等层面从入门到精通地论述了20个常见机器学习方法，合适于从业医药学图象剖析、工控自动化、智能机器人、无人驾驶汽车、图像识别与识别、车辆采集的信息识别、个人行为检验与识别、智能化视频监控系统等领域的硕士研究生和专业技术人员。

《视觉机器学习20讲》是电子计算机、自动化技术、信息内容、电子器件与通讯课程方位的著作，详细地详细介绍了K-Means、KNN学习、重归学习、决策树学习、RandomForest、贝叶斯学习、EM优化算法、Adaboost、SVM方法、提高学习、流形学习、RBF学习、稀疏表示、词典学习、BP学习、CNN学习、RBM学习、深层学习、遗传算法、蚁群方法等基本理论；深层次论述了视觉机器学习优化算法的提升方法和试验模拟仿真；系统化小结了其优势和不够。

这书非常高度重视如何把视觉机器学习优化算法的基础理论和实践活动有机化学地融合，处理视觉机器学习领域中的众多基本难题，可运用于医药学图象剖析、工控自动化、智能机器人、无人驾驶汽车、图像识别与识别、车辆采集的信息识别、个人行为检验与识别、智能化视频监控系统等。这书非常高度重视优化算法的广泛性和可保持性，既包括本领域的经典算法，也包括本领域的*科研成果。

这书不但可做为低年级本科毕业与硕士研究生教材内容，并且也是从业视觉机器学习领域产品研发极其有效的参考文献。

目录

• 绪论
• 第1讲 K-means
• 1.1 基本原理
• 1.2 算法改进
• 1.3 仿真实验
• 1.4 算法特点
• 第2讲 KNN学习
• 2.1 基本原理
• 2.2 算法改进
• 2.3 仿真实验
• 2.4 算法特点
• 第3讲 回归学习
• 3.1 基本原理
• 3.1.1 参数回归
• 3.1.2 非参数回归
• 3.1.3 半参数回归
• 3.2 算法改进
• 3.2.1 线性回归模型
• 3.2.2 多项式回归模型
• 3.2.3 主成分回归模型
• 3.2.4 自回归模型
• 3.2.5 核回归模型
• 3.3 仿真实验
• 3.3.1 回归学习流程
• 3.3.2 基于回归学习的直线边缘提取
• 3.3.3 基于回归学习的图像插值
• 3.4 算法特点
• 第4讲 决策树学习
• 4.1 基本原理
• 4.1.1 分类与聚类
• 4.1.2 决策树
• 4.1.3 信息增益的度量标准
• 4.1.4 信息增益度量期望的熵降低
• 4.1.5 悲观错误剪枝
• 4.1.6 基本决策树算法
• 4.2 算法改进
• 4.2.1 ID3算法
• 4.2.2 C4.5算法
• 4.2.3 SLIQ算法
• 4.2.4 SPRINT算法
• 4.3 仿真实验
• 4.3.1 用于学习布尔函数的ID3算法伪代码
• 4.3.2 C4.5算法构造决策树的伪代码
• 4.4 算法特点
• 第5讲 Random Forest学习
• 5.1 基本原理
• 5.1.1 决策树
• 5.1.2 Bagging集成学习
• 5.1.3 Random Forest方法
• 5.2 算法改进
• 5.3 仿真实验
• 5.3.1 Random Forest分类与回归流程
• 5.3.2 Forest-RI和For
• 5.3.3 基于Random Forest的头部姿态估计
• 5.4 算法特点
• 第6讲 贝叶斯学习
• 6.1 基本原理
• 6.2 算法改进
• 6.2.1 朴素贝叶斯模型
• 6.2.2 层级贝叶斯模型
• 6.2.3 增广贝叶斯学习模型
• 6.2.4 基于Boosting技术的朴素贝叶斯模型
• 6.2.5 贝叶斯神经网络模型
• 6.3 仿真实验
• 6.3.1 Learn_Bays
• 6.3.2 Classify_Ba
• 6.4 算法特点
• 第7讲 EM算法
• 7.1 基本原理
• 7.2 算法改进
• 7.2.1 EM算法的快速计算
• 7.2.2 未知分布函数的选取
• 7.2.3 EM算法收敛性的改进
• 7.3 仿真实验
• 7.3.1 EM算法流程
• 7.3.2 EM算法的伪代码
• 7.3.3 EM算法应用——高斯混合模型
• 7.4 算法特点
• 第8讲 Adaboost
• 8.1 基本原理
• 8.1.1 Boosting方法
• 8.1.2 Adaboost方法
• 8.2 算法改进
• 8.2.1 权值更新方法的改进
• 8.2.2 Adaboost并行算法
• 8.3 仿真实验
• 8.3.1 Adaboost算法实现流程
• 8.3.2 Adaboost算法示例
• 8.4 算法特点
• 8.4.1 Adaboost算法的优点
• 8.4.2 Adaboost算法的缺点
• ……
• 第9讲 SVM方法
• 第10讲 增强学习
• 第11讲 流形学习
• 第12讲 RBF学习
• 第13讲 稀疏表示
• 第14讲 字典学习
• 第15讲 BP学习
• 第16讲 CNN学习
• 第17讲 RBM学习
• 第18讲 深度学习
• 第19讲 遗传算法
• 第20讲 蚁群方法

学习笔记

Python机器学习k-近邻算法(K Nearest Neighbor)实例详解

本文实例讲述了Python机器学习k-近邻算法。分享给大家供大家参考，具体如下： 工作原理 存在一份训练样本集，并且每个样本都有属于自己的标签，即我们知道每个样本集中所属于的类别。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后提取样本集中与之最相近的k个样本。观察并统计这k个样本的标签，选择数量最大的标签作为这个新数据的标签。 用以下这幅图可以很好的解释kNN算法： 不同形状的点，为不同标签的点。其中绿色点为未知标签的数据点。现在要对绿色点进行预测。由图不难得出： 如果k=3，那么离绿色点最近的有2个红色三角形和1个蓝色的正方……

机器学习python实战之决策树

决策树原理：从数据集中找出决定性的特征对数据集进行迭代划分，直到某个分支下的数据都属于同一类型，或者已经遍历了所有划分数据集的特征，停止决策树算法。 每次划分数据集的特征都有很多，那么我们怎么来选择到底根据哪一个特征划分数据集呢？这里我们需要引入信息增益和信息熵的概念。 一、信息增益 划分数据集的原则是：将无序的数据变的有序。在划分数据集之前之后信息发生的变化称为信息增益。知道如何计算信息增益，我们就可以计算根据每个特征划分数据集获得的信息增益，选择信息增益最高的特征就是最好的选择。首先我们先来明确一下信息的定义：符号xi的信息定义为……

Python 机器学习库 NumPy入门教程

NumPy是一个Python语言的软件包，它非常适合于科学计算。在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础库。 本文是对它的一个入门教程。 介绍 NumPy是一个用于科技计算的基础软件包，它是Python语言实现的。它包含了： 强大的N维数组结构 精密复杂的函数 可集成到C/C++和Fortran代码的工具 线性代数，傅里叶变换以及随机数能力 除了科学计算的用途以外，NumPy也可被用作高效的通用数据的多维容器。由于它适用于任意类型的数据，这使得NumPy可以无缝和高效的集成到多种类型的数据库中。 获取NumPy 由于这是一个Python语言的软件包，因此需要你的机器上首先需要具备Python语言的环境……

python机器学习之KNN分类算法

本文为大家分享了python机器学习之KNN分类算法，供大家参考，具体内容如下 1、KNN分类算法 KNN分类算法（K-Nearest-Neighbors Classification），又叫K近邻算法，是一个概念极其简单，而分类效果又很优秀的分类算法。 他的核心思想就是，要确定测试样本属于哪一类，就寻找所有训练样本中与该测试样本“距离”最近的前K个样本，然后看这K个样本大部分属于哪一类，那么就认为这个测试样本也属于哪一类。简单的说就是让最相似的K个样本来投票决定。 这里所说的距离，一般最常用的就是多维空间的欧式距离。这里的维度指特征维度，即样本有几个特征就属于几维。 KNN示意图如下所示。（图片来源：百度百科……

以上就是本次介绍的人工智能电子书的全部相关内容，希望我们整理的资源能够帮助到大家，感谢大家对码农之家的支持。

上一篇：Head First JavaScript程序设计

下一篇：Metasploit渗透测试指南