当前位置:首页 > 人工智能 >
《机器学习实践指南:案例应用解析》电子书封面

机器学习实践指南:案例应用解析

  • 发布时间:2020年09月25日 09:11:31
  • 作者:麦好
  • 大小:82.2 MB
  • 类别:机器学习电子书
  • 格式:PDF
  • 版本:第二版
  • 评分:9.3

    机器学习实践指南:案例应用解析 PDF 第二版

      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、实践指南方面的内容,本书是由机械工业出版社出版,格式为PDF,资源大小82.2 MB,麦好编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.2。

      内容介绍

      机器学习实践指南》第2版比第1版增加了更多的案例和算法解析,全书详细介绍了机器学习发展及应用前景、科学计算平台、Python计算平台应用、R语言计算平台应用、生产环境基础、统计分析基础、描述性分析案例、假设检验与回归模型案例、神经网络、统计算法、欧氏距离与余弦相似度、SVM、回归算法、PCA降维、关联规则、聚类与分类算法、数据拟合案例、图像算法案例、机器视觉案例、文本分类案例等机器学习实践与应用。

      目录

      • 推荐序
      • 前言
      • 第一部分 准备篇
      • 第1章 机器学习发展及应用前景 2
      • 1.1 机器学习概述 2
      • 1.1.1 什么是机器学习 3
      • 1.1.2 机器学习的发展 3
      • 1.1.3 机器学习的未来 4
      • 1.2 机器学习应用前景 5
      • 1.2.1 数据分析与挖掘 5
      • 1.2.2 模式识别 6
      • 1.2.3 更广阔的领域 6
      • 1.3 小结 7
      • 第2章 科学计算平台 8
      • 2.1 科学计算软件平台概述 9
      • 2.1.1 常用的科学计算软件 9
      • 2.1.2 本书使用的工程计算平台 10
      • 2.2 计算平台的配置 11
      • 2.2.1 Numpy等Python科学计算包的安装与配置 11
      • 2.2.2 OpenCV 安装与配置 14
      • 2.2.3 mlpy 安装与配置 14
      • 2.2.4 BeautifulSoup安装与配置 15
      • 2.2.5 Neurolab安装与配置 15
      • 2.2.6 R安装与配置 16
      • 2.3 小结 16
      • 第二部分 基础篇
      • 第3章 计算平台应用实例 18
      • 3.1 Python计算平台简介及应用实例 18
      • 3.1.1 Python语言基础 18
      • 3.1.2 Numpy库 29
      • 3.1.3 pylab、matplotlib绘图 36
      • 3.1.4 图像基础 38
      • 3.1.5 图像融合与图像镜像 46
      • 3.1.6 图像灰度化与图像加噪 48
      • 3.1.7 声音基础 51
      • 3.1.8 声音音量调节 53
      • 3.1.9 图像信息隐藏 58
      • 3.1.10 声音信息隐藏 62
      • 3.2 R语言基础 68
      • 3.2.1 基本操作 69
      • 3.2.2 向量 71
      • 3.2.3 对象集属性 77
      • 3.2.4 因子和有序因子 78
      • 3.2.5 循环语句 79
      • 3.2.6 条件语句 79
      • 3.3 R语言科学计算 80
      • 3.3.1 分类(组)统计 80
      • 3.3.2 数组与矩阵基础 81
      • 3.3.3 数组运算 84
      • 3.3.4 矩阵运算 85
      • 3.4 R语言计算实例 93
      • 3.4.1 学生数据集读写 93
      • 3.4.2 最小二乘法拟合 94
      • 3.4.3 交叉因子频率分析 96
      • 3.4.4 向量模长计算 97
      • 3.4.5 欧氏距离计算 98
      • 3.5 小结 99
      • 思考题 99
      • 第4章 生产环境基础 100
      • 4.1 Windows Server 2008基础 100
      • 4.1.1 Windows Server 2008 R2概述 101
      • 4.1.2 Windows PowerShell 102
      • 4.2 Linux基础 103
      • 4.2.1 Linux命令 104
      • 4.2.2 Shell基础 114
      • 4.3 Vim编辑器 122
      • 4.3.1 Vim编辑器概述 122
      • 4.3.2 Vim常用命令 123
      • 4.4 虚拟化平台 124
      • 4.4.1 Citrix Xenserver概述 125
      • 4.4.2 Citrix Xenserver部署 126
      • 4.4.3 基于XenCenter的虚拟服务器管理 126
      • 4.5 Linux环境下的NumPy安装 135
      • 4.6 Linux环境下的R运行环境 136
      • 4.7 PyPy编译器 136
      • 4.7.1 PyPy概述 136
      • 4.7.2 PyPy安装与配置 137
      • 4.7.3 PyPy性能 137
      • 4.7.4 PyPy实践之Lempel-Ziv压缩 138
      • 4.8 小结 145
      • 思考题 146
      • 第三部分 统计分析实战篇
      • 第5章 统计分析基础 148
      • 5.1 数据分析概述 148
      • 5.2 数学基础 149
      • 5.3 回归分析 154
      • 5.3.1 单变量线性回归 154
      • 5.3.2 多元线性回归 156
      • 5.3.3 非线性回归 157
      • 5.4 数据分析基础 159
      • 5.4.1 区间频率分布 159
      • 5.4.2 数据直方图 161
      • 5.4.3 数据散点图 162
      • 5.4.4 五分位数 164
      • 5.4.5 累积分布函数 165
      • 5.4.6 核密度估计 166
      • 5.5 数据分布分析 167
      • 5.6 小结 169
      • 思考题 170
      • 第6章 描述性分析案例 171
      • 6.1 数据图形化案例解析 171
      • 6.1.1 点图 171
      • 6.1.2 饼图和条形图 172
      • 6.1.3 茎叶图和箱线图 173
      • 6.2 数据分布趋势案例解析 175
      • 6.2.1 平均值 175
      • 6.2.2 加权平均值 175
      • 6.2.3 数据排序 176
      • 6.2.4 中位数 177
      • 6.2.5 极差、半极差 177
      • 6.2.6 方差 178
      • 6.2.7 标准差 178
      • 6.2.8 变异系数、样本平方和 178
      • 6.2.9 偏度系数、峰度系数 179
      • 6.3 正态分布案例解析 180
      • 6.3.1 正态分布函数 180
      • 6.3.2 峰度系数分析 181
      • 6.3.3 累积分布概率 181
      • 6.3.4 概率密度函数 182
      • 6.3.5 分位点 183
      • 6.3.6 频率直方图 185
      • 6.3.7 核概率密度与正态概率分布图 185
      • 6.3.8 正态检验与分布拟合 186
      • 6.3.9 其他分布及其拟合 188
      • 6.4 多变量分析 189
      • 6.4.1 多变量数据分析 189
      • 6.4.2 多元数据相关性分析 197
      • 6.5 小结 201
      • 思考题 201
      • 第7章 假设检验与回归模型案例 202
      • 7.1 假设检验 202
      • 7.1.1 二项分布假设检验 202
      • 7.1.2 数据分布检验 204
      • 7.1.3 正态总体均值检验 205
      • 7.1.4 列联表 206
      • 7.1.5 符号检测 207
      • 7.1.6 秩相关检验 210
      • 7.1.7 Kendall相关检验 213
      • 7.2 回归模型 214
      • 7.2.1 回归预测与显著性检验 214
      • 7.2.2 回归诊断 216
      • 7.2.3 回归优化 217
      • 7.2.4 主成分回归 219
      • 7.2.5 广义线性模型 221
      • 7.3 小结 226
      • 思考题 226
      • 第四部分 机器学习实战篇
      • 第8章 机器学习算法 230
      • 8.1 神经网络 230
      • 8.1.1 Rosenblatt感知器 232
      • 8.1.2 梯度下降 245
      • 8.1.3 反向传播与多层感知器 251
      • 8.1.4 Python神经网络库 270
      • 8.2 统计算法 272
      • 8.2.1 平均值 272
      • 8.2.2 方差与标准差 274
      • 8.2.3 贝叶斯算法 276
      • 8.3 欧氏距离 279
      • 8.4 余弦相似度 280
      • 8.5 SVM 281
      • 8.5.1 数学原理 281
      • 8.5.2 SMO算法 283
      • 8.5.3 算法应用 283
      • 8.6 回归算法 287
      • 8.6.1 线性代数基础 288
      • 8.6.2 最小二乘法原理 289
      • 8.6.3 线性回归 290
      • 8.6.4 多元非线性回归 292
      • 8.6.5 岭回归方法 294
      • 8.6.6 伪逆方法 295
      • 8.7 PCA降维 296
      • 8.8 关联规则 297
      • 8.8.1 关联规则概述 297
      • 8.8.2 频繁项集算法 298
      • 8.8.3 关联规则生成 301
      • 8.8.4 实例分析 302
      • 8.9 自动分类 306
      • 8.9.1 聚类算法 306
      • 8.9.2 决策树 313
      • 8.9.3 AdaBoost 316
      • 8.9.4 竞争型神经网络 317
      • 8.9.5 Hamming神经网络 323
      • 8.10 小结 325
      • 思考题 325
      • 第9章 数据拟合案例 327
      • 9.1 数据拟合 327
      • 9.1.1 图像分析法 327
      • 9.1.2 神经网络拟合法 338
      • 9.2 线性滤波 352
      • 9.2.1 WAV声音文件 352
      • 9.2.2 线性滤波算法过程 352
      • 9.2.3 滤波Python实现 353
      • 9.3 数据或曲线平滑 358
      • 9.3.1 平滑概述 358
      • 9.3.2 移动平均 359
      • 9.3.3 递归线性过滤 362
      • 9.3.4 指数平滑 364
      • 9.4 小结 368
      • 思考题 368
      • 第10章 图像算法案例 370
      • 10.1 图像边缘算法 370
      • 10.1.1 数字图像基础 370
      • 10.1.2 算法描述 371
      • 10.2 图像匹配 372
      • 10.2.1 差分矩阵求和 373
      • 10.2.2 差分矩阵均值 375
      • 10.2.3 欧氏距离匹配 376
      • 10.3 图像分类 382
      • 10.3.1 余弦相似度 382
      • 10.3.2 PCA图像特征提取算法 388
      • 10.3.3 基于神经网络的图像分类 389
      • 10.3.4 基于SVM的图像分类 394
      • 10.4 高斯噪声生成 397
      • 10.5 二值化 401
      • 10.5.1 threshold 401
      • 10.5.2 adaptiveThreshold 402
      • 10.6 插值与缩放 404
      • 10.7 仿射 405
      • 10.7.1 仿射原理 405
      • 10.7.2 仿射变换实例 405
      • 10.8 透视投影与透视变换 406
      • 10.8.1 透视投影原理 406
      • 10.8.2 透视投影实例 407
      • 10.9 灰度变换与图像增强 409
      • 10.9.1 灰度变换概述 409
      • 10.9.2 对数变换 409
      • 10.9.3 分段线性变换 410
      • 10.9.4 指数变换 411
      • 10.9.5 直方图均衡化 412
      • 10.10 图像滤波与除噪 415
      • 10.10.1 均一化块滤波 415
      • 10.10.2 邻域平均法 420
      • 10.10.3 中值滤波 423
      • 10.10.4 高斯滤波 427
      • 10.10.5 双边滤波 429
      • 10.10.6 卷积滤波 431
      • 10.10.7 边缘检测 433
      • 10.11 小结 435
      • 思考题 435
      • 第11章 机器视觉案例 437
      • 11.1 人脸辨识 437
      • 11.1.1 人脸定位 437
      • 11.1.2 人脸辨识 439
      • 11.2 手写数字识别 446
      • 11.2.1 手写数字识别算法 446
      • 11.2.2 算法的Python实现 447
      • 11.3 运动侦测 449
      • 11.3.1 视频采集 450
      • 11.3.2 差分算法 452
      • 11.3.3 光流法 456
      • 11.4 形状检测 458
      • 11.4.1 KNN算法概述 458
      • 11.4.2 形状特征提取 459
      • 11.4.3 形状分类 459
      • 11.5 小结 462
      • 思考题 462
      • 第12章 文本分类案例 463
      • 12.1 文本分类概述 463
      • 12.2 余弦相似度分类 464
      • 12.2.1 中文分词 465
      • 12.2.2 停用词清理 467
      • 12.2.3 算法实战 468
      • 12.3 朴素贝叶斯分类 473
      • 12.3.1 算法描述 473
      • 12.3.2 先验概率计算 474
      • 12.3.3 最大后验概率 474
      • 12.3.4 算法实现 474
      • 12.4 自然语言处理 480
      • 12.4.1 NLTK简介 480
      • 12.4.2 NLTK与jieba的配置 481
      • 12.4.3 中文分词并标注词性 483
      • 12.4.4 词特征指标分析 484
      • 12.4.5 Web文档分析 499
      • 12.4.6 Web文档的朴素贝叶斯分类 503
      • 12.4.7 语法结构分析 515
      • 12.4.8 Web文档聚类 518
      • 12.5 小结 526
      • 思考题 526

      学习笔记

      Python最火、R极具潜力 2017机器学习调查报告

      数据平台 Kaggle 近日发布了 2017 机器学习及数据科学调查报告,这也是 Kaggle 首次进行全行业调查。调查共收到超过 16000 份回复,受访内容包括最受欢迎的编程语言、不同国家数据科学家的平均年龄、不同国家的平均年薪等。 下面主要看看工具使用方面的结果。请注意,该报告包含多个国家的数据,可能存在收集不够全面的情况,仅供参考。 年龄 从全球范围来看,本次调查对象的平均年龄在 30 岁左右。当然,各个国家的数值会有差异,中国的机器学习从业者年龄的中位数是 25 岁。 全球全职工作者为 65.7% ,其中中国为 53.% ,美国占比较高,达 70.9% 。 Logistic 回归是除了军事和国安领域外,最常用的数……

      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……

      以上就是本次介绍的机器学习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:Qt Creator快速入门

      下一篇:有趣的二进制:软件安全与逆向分析

      展开 +

      收起 -

      下载地址:百度网盘下载
      机器学习相关电子书
      机器学习Web应用
      机器学习Web应用 高清原版

      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P

      立即下载
      NLTK基础教程:用NLTK和Python库构建机器学习应用
      NLTK基础教程:用NLTK和Python库构建机器学习应用 高清版

      本书主要介绍如何通过NLTK库与一些Python库的结合从而实现复杂的NLP任务和机器学习应用。全书共分为10章。第1章对NLP进行了简单介绍。第2章、第3章和第4章主要介绍一些通用的预处理技术、专

      立即下载
      统计机器学习导论
      统计机器学习导论 高清版

      《统计机器学习导论》 对机器学习的关键知识点进行了全面讲解,帮助读者顺利完成从理论到实践的过渡。书中首先介绍用于描述机器学习算法的统计与概率的知识,接着详细分析机器学习技

      立即下载
      Python机器学习经典实例
      Python机器学习经典实例 超清中文版

      《Python机器学习经典实例》首先通过实用的案例介绍机器学习的基础知识,然后介绍一些稍微复杂的机器学习算法,例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网

      立即下载
      Hadoop+Spark大数据巨量分析与机器学习整合开发实战
      Hadoop+Spark大数据巨量分析与机器学习整合开发实战 高清完整版

      《Hadoop Spark大数据巨量分析与机器学习整合开发实战》 从浅显易懂的大数据和机器学习原理介绍和说明入手,讲述大数据和机器学习的基本概念,如:分类、分析、训练、建模、预测、机器学

      立即下载
      多智能体机器学习:强化学习方法
      多智能体机器学习:强化学习方法 全书超清版 立即下载
      读者留言
      魏烨霖

      魏烨霖 提供上传

      资源
      33
      粉丝
      15
      喜欢
      181
      评论
      10

      Copyright 2018-2020 www.xz577.com 码农之家

      版权投诉 / 书籍推广 / 赞助:520161757@qq.com

      idea注册码