当前位置:首页 > > Python算法电子书网盘下载
Python与机器学习实战 Python与机器学习实战
码农之家

码农之家 提供上传

资源
33
粉丝
26
喜欢
107
评论
3

    Python与机器学习实战 PDF 高质量影印版

    Python算法电子书
    • 发布时间:

    给大家带来的一篇关于Python算法相关的电子书资源,介绍了关于集成学习、神经网络、决策树、机器学习、Python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182 MB,何宇健编写,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云应用高级编程sql教程创新简史数字电路、等栏目。

  • Python与机器学习实战 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1es4G1WrGTJm_BeaQef9CZ
  • 提取码:3sk1
  • Python与机器学习实战

    Python与机器学习实战:决策树、集成学习、支持向量机与神经网络算法详解及编程实现

    读者评价

    详细介绍了机器学习的各种算法,很丰富很实用 还有对应的代码。
    非常实用,代码在GitHub上很方便,书中内容简洁明了,容易上手,很适合初学者
    最近在学机器学习。所以就买了,有代码啥的。可以学习一下。

    内容介绍

    Python与机器学习这一话题是如此的宽广,仅靠一本书自然不可能涵盖到方方面面,甚至即使出一个系列也难能做到这点。单就机器学习而言,其领域就包括但不限于如下:有监督学习(Supervised Learning),无监督学习(Unsupervised Learning)和半监督学习(Semi-Supervised Learning)。而具体的问题又大致可以分两类:分类问题(Classification)和回归问题(Regression)。Python本身带有许多机器学习的第三方库,但《Python与机器学习实战》在绝大多数情况下只会用到Numpy这个基础的科学计算库来进行算法代码的实现。这样做的目的是希望读者能够从实现的过程中更好地理解机器学习算法的细节,以及了解Numpy的各种应用。不过作为补充,《Python与机器学习实战》会在适当的时候应用scikit-learn这个成熟的第三方库中的模型。《Python与机器学习实战》适用于想了解传统机器学习算法的学生和从业者,想知道如何高效实现机器的算法的程序员,以及想了解机器学习的算法能如何进行应用的职员、经理等。

    内容节选

    python机器学习库常用汇总

     

    汇总整理一套Python网页爬虫,文本处理,科学计算,机器学习和数据挖掘的兵器谱。

    1. Python网页爬虫工具集

    一个真实的项目,一定是从获取数据开始的。无论文本处理,机器学习和数据挖掘,都需要数据,除了通过一些渠道购买或者下载的专业数据外,常常需要大家自己动手爬数据,这个时候,爬虫就显得格外重要了,幸好,Python提供了一批很不错的网页爬虫工具框架,既能爬取数据,也能获取和清洗数据,也就从这里开始了:

    1.1 Scrapy

    鼎鼎大名的Scrapy,相信不少同学都有耳闻,课程图谱中的很多课程都是依靠Scrapy抓去的,这方面的介绍文章有很多,推荐大牛pluskid早年的一篇文章:《Scrapy 轻松定制网络爬虫》,历久弥新。

    官方主页:http://scrapy.org/
    Github代码页: https://github.com/scrapy/scrapy

    1.2 Beautiful Soup

    客观的说,Beautifu Soup不完全是一套爬虫工具,需要配合urllib使用,而是一套HTML / XML数据分析,清洗和获取工具。

    官方主页:http://www.crummy.com/software/BeautifulSoup/

    1.3 Python-Goose

    Goose最早是用Java写得,后来用Scala重写,是一个Scala项目。Python-Goose用Python重写,依赖了Beautiful Soup。前段时间用过,感觉很不错,给定一个文章的URL, 获取文章的标题和内容很方便。

    Github主页:https://github.com/grangier/python-goose

    2. Python文本处理工具集

    从网页上获取文本数据之后,依据任务的不同,就需要进行基本的文本处理了,譬如对于英文来说,需要基本的tokenize,对于中文,则需要常见的中文分词,进一步的话,无论英文中文,还可以词性标注,句法分析,关键词提取,文本分类,情感分析等等。这个方面,特别是面向英文领域,有很多优秀的工具包,我们一一道来。

    2.1 NLTK — Natural Language Toolkit

    搞自然语言处理的同学应该没有人不知道NLTK吧,这里也就不多说了。不过推荐两本书籍给刚刚接触NLTK或者需要详细了解NLTK的同学: 一个是官方的《Natural Language Processing with Python》,以介绍NLTK里的功能用法为主,同时附带一些Python知识,同时国内陈涛同学友情翻译了一个中文版,这里可以看到:推荐《用Python进行自然语言处理》中文翻译-NLTK配套书;另外一本是《Python Text Processing with NLTK 2.0 Cookbook》,这本书要深入一些,会涉及到NLTK的代码结构,同时会介绍如何定制自己的语料和模型等,相当不错。

    官方主页:http://www.nltk.org/
    Github代码页:https://github.com/nltk/nltk

    2.2 Pattern

    Pattern由比利时安特卫普大学CLiPS实验室出品,客观的说,Pattern不仅仅是一套文本处理工具,它更是一套web数据挖掘工具,囊括了数据抓取模块(包括Google, Twitter, 维基百科的API,以及爬虫和HTML分析器),文本处理模块(词性标注,情感分析等),机器学习模块(VSM, 聚类,SVM)以及可视化模块等,可以说,Pattern的这一整套逻辑也是这篇文章的组织逻辑,不过这里我们暂且把Pattern放到文本处理部分。我个人主要使用的是它的英文处理模块Pattern.en, 有很多很不错的文本处理功能,包括基础的tokenize, 词性标注,句子切分,语法检查,拼写纠错,情感分析,句法分析等,相当不错。

    官方主页:http://www.clips.ua.ac.be/pattern

    2.3 TextBlob: Simplified Text Processing

    TextBlob是一个很有意思的Python文本处理工具包,它其实是基于上面两个Python工具包NLKT和Pattern做了封装(TextBlob stands on the giant shoulders of NLTK and pattern, and plays nicely with both),同时提供了很多文本处理功能的接口,包括词性标注,名词短语提取,情感分析,文本分类,拼写检查等,甚至包括翻译和语言检测,不过这个是基于Google的API的,有调用次数限制。TextBlob相对比较年轻,有兴趣的同学可以关注。 

    官方主页:http://textblob.readthedocs.org/en/dev/
    Github代码页:https://github.com/sloria/textblob

    2.4 MBSP for Python

    MBSP与Pattern同源,同出自比利时安特卫普大学CLiPS实验室,提供了Word Tokenization, 句子切分,词性标注,Chunking, Lemmatization,句法分析等基本的文本处理功能,感兴趣的同学可以关注。

    官方主页:http://www.clips.ua.ac.be/pages/MBSP

    2.5 Gensim: Topic modeling for humans

    Gensim是一个相当专业的主题模型Python工具包,无论是代码还是文档,我们曾经用《如何计算两个文档的相似度》介绍过Gensim的安装和使用过程,这里就不多说了。 

    官方主页:http://radimrehurek.com/gensim/index.html
    github代码页:https://github.com/piskvorky/gensim

    2.6 langid.py: Stand-alone language identification system

    语言检测是一个很有意思的话题,不过相对比较成熟,这方面的解决方案很多,也有很多不错的开源工具包,不过对于Python来说,我使用过langid这个工具包,也非常愿意推荐它。langid目前支持97种语言的检测,提供了很多易用的功能,包括可以启动一个建议的server,通过json调用其API,可定制训练自己的语言检测模型等,可以说是“麻雀虽小,五脏俱全”。

    Github主页:https://github.com/saffsd/langid.py

    2.7 Jieba: 结巴中文分词

    “结巴”中文分词:做最好的Python中文分词组件 “Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.
    好了,终于可以说一个国内的Python文本处理工具包了:结巴分词,其功能包括支持三种分词模式(精确模式、全模式、搜索引擎模式),支持繁体分词,支持自定义词典等,是目前一个非常不错的Python中文分词解决方案。

    Github主页:https://github.com/fxsjy/jieba

    3. Python科学计算工具包

    说起科学计算,大家首先想起的是Matlab,集数值计算,可视化工具及交互于一身,不过可惜是一个商业产品。开源方面除了GNU Octave在尝试做一个类似Matlab的工具包外,Python的这几个工具包集合到一起也可以替代Matlab的相应功能:NumPy+SciPy+Matplotlib+iPython。同时,这几个工具包,特别是NumPy和SciPy,也是很多Python文本处理 & 机器学习 & 数据挖掘工具包的基础,非常重要。最后再推荐一个系列《用Python做科学计算》,将会涉及到NumPy, SciPy, Matplotlib,可以做参考。

    3.1 NumPy

    NumPy几乎是一个无法回避的科学计算工具包,最常用的也许是它的N维数组对象,其他还包括一些成熟的函数库,用于整合C/C++和Fortran代码的工具包,线性代数、傅里叶变换和随机数生成函数等。NumPy提供了两种基本的对象:ndarray(N-dimensional array object)和 ufunc(universal function object)。ndarray是存储单一数据类型的多维数组,而ufunc则是能够对数组进行处理的函数。

    官方主页:http://www.numpy.org/

    3.2 SciPy:Scientific Computing Tools for Python

    “SciPy是一个开源的Python算法库和数学工具包,SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。其功能与软件MATLAB、Scilab和GNU Octave类似。 Numpy和Scipy常常结合着使用,Python大多数机器学习库都依赖于这两个模块。”—-引用自“Python机器学习库”

    官方主页:http://www.scipy.org/

    3.3 Matplotlib

    matplotlib 是python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中。Matplotlib可以配合ipython shell使用,提供不亚于Matlab的绘图体验,总之用过了都说好。

    官方主页:http://matplotlib.org/

    4. Python 机器学习 & 数据挖掘 工具包

    机器学习和数据挖掘这两个概念不太好区分,这里就放到一起了。这方面的开源Python工具包有很多,这里先从熟悉的讲起,再补充其他来源的资料,也欢迎大家补充。

    4.1 scikit-learn: Machine Learning in Python

    首先推荐大名鼎鼎的scikit-learn,scikit-learn是一个基于NumPy, SciPy, Matplotlib的开源机器学习工具包,主要涵盖分类,回归和聚类算法,例如SVM, 逻辑回归,朴素贝叶斯,随机森林,k-means等算法,代码和文档都非常不错,在许多Python项目中都有应用。例如在我们熟悉的NLTK中,分类器方面就有专门针对scikit-learn的接口,可以调用scikit-learn的分类算法以及训练数据来训练分类器模型。

    官方主页:http://scikit-learn.org/

    4.2 Pandas: Python Data Analysis Library

    Pandas也是基于NumPy和Matplotlib开发的,主要用于数据分析和数据可视化,它的数据结构DataFrame和R语言里的data.frame很像,特别是对于时间序列数据有自己的一套分析机制,非常不错。这里推荐一本书《Python for Data Analysis》,作者是Pandas的主力开发,依次介绍了iPython, NumPy, Pandas里的相关功能,数据可视化,数据清洗和加工,时间数据处理等,案例包括金融股票数据挖掘等,相当不错。

    官方主页:http://pandas.pydata.org/

    4.3 mlpy – Machine Learning Python

    官方主页:http://mlpy.sourceforge.net/

    4.4 PyBrain

    “PyBrain(Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network)是Python的一个机器学习模块,它的目标是为机器学习任务提供灵活、易应、强大的机器学习算法。(这名字很霸气)

    PyBrain正如其名,包括神经网络、强化学习(及二者结合)、无监督学习、进化算法。因为目前的许多问题需要处理连续态和行为空间,必须使用函数逼近(如神经网络)以应对高维数据。PyBrain以神经网络为核心,所有的训练方法都以神经网络为一个实例。”

    4.5 Theano 

    “Theano 是一个 Python 库,用来定义、优化和模拟数学表达式计算,用于高效的解决多维数组的计算问题。Theano的特点:紧密集成Numpy;高效的数据密集型GPU计算;高效的符号微分运算;高速和稳定的优化;动态生成c代码;广泛的单元测试和自我验证。自2007年以来,Theano已被广泛应用于科学运算。theano使得构建深度学习模型更加容易,可以快速实现多种模型。PS:Theano,一位希腊美女,Croton最有权势的Milo的女儿,后来成为了毕达哥拉斯的老婆。”

    4.6  Pylearn2

    “Pylearn2建立在theano上,部分依赖scikit-learn上,目前Pylearn2正处于开发中,将可以处理向量、图像、视频等数据,提供MLP、RBM、SDA等深度学习模型。”

    官方主页:http://deeplearning.net/software/pylearn2/

    目录

    • 第1章 Python与机器学习入门 1
    • 1.1 机器学习绪论 1
    • 1.1.1 什么是机器学习 2
    • 1.1.2 机器学习常用术语 3
    • 1.1.3 机器学习的重要性 6
    • 1.2 人生苦短,我用Python 7
    • 1.2.1 为何选择Python 7
    • 1.2.2 Python 在机器学习领域的优势 8
    • 1.2.3 Anaconda的安装与使用 8
    • 1.3 第—个机器学习样例 12
    • 1.3.1 获取与处理数据 13
    • 1.3.2 选择与训练模型 14
    • 1.3.3 评估与可视化结果 15
    • 1.4 本章小结 17
    • 第2章 贝叶斯分类器 18
    • 2.1 贝叶斯学派 18
    • 2.1.1 贝叶斯学派与频率学派 19
    • 2.1.2 贝叶斯决策论 19
    • 2.2 参数估计 20
    • 2.2.1 极大似然估计(ML估计) 21
    • 2.2.2 极大后验概率估计(MAP估计) 22
    • 2.3 朴素贝叶斯 23
    • 2.3.1 算法陈述与基本架构的搭建 23
    • 2.3.2 MultinomialNB的实现与评估 31
    • 2.3.3 GaussianNB的实现与评估 40
    • 2.3.4 MergedNB的实现与评估 43
    • 2.3.5 算法的向量化 50
    • 2.4 半朴素贝叶斯与贝叶斯网 53
    • 2.4.1 半朴素贝叶斯 53
    • 2.4.2 贝叶斯网 54
    • 2.5 相关数学理论 55
    • 2.5.1 贝叶斯公式与后验概率 55
    • 2.5.2 离散型朴素贝叶斯算法 56
    • 2.5.3 朴素贝叶斯和贝叶斯决策 58
    • 2.6 本章小结 59
    • 第3章 决策树 60
    • 3.1 数据的信息 60
    • 3.1.1 信息论简介 61
    • 3.1.2 不确定性 61
    • 3.1.3 信息的增益 65
    • 3.1.4 决策树的生成 68
    • 3.1.5 相关的实现 77
    • 3.2 过拟合与剪枝 92
    • 3.2.1 ID3、C4.5的剪枝算法 93
    • 3.2.2 CART剪枝 100
    • 3.3 评估与可视化 103
    • 3.4 相关数学理论 111
    • 3.5 本章小结 113
    • 第4章 集成学习 114
    • 4.1 “集成”的思想 114
    • 4.1.1 众擎易举 115
    • 4.1.2 Bagging与随ji森林 115
    • 4.1.3 PAC框架与Boosting 119
    • 4.2 随ji森林算法 120
    • 4.3 AdaBoost算法 124
    • 4.3.1 AdaBoost算法陈述 124
    • 4.3.2 弱模型的选择 126
    • 4.3.3 AdaBoost的实现 127
    • 4.4 集成模型的性能分析 129
    • 4.4.1 随ji数据集上的表现 130
    • 4.4.2 异或数据集上的表现 131
    • 4.4.3 螺旋数据集上的表现 134
    • 4.4.4 蘑菇数据集上的表现 136
    • 4.5 AdaBoost算法的解释 138
    • 4.6 相关数学理论 139
    • 4.6.1 经验分布函数 139
    • 4.6.2 AdaBoost与前向分步加法模型 140
    • 4.7 本章小结 142
    • 第5章 支持向量机 144
    • 5.1 感知机模型 145
    • 5.1.1 线性可分性与感知机策略 145
    • 5.1.2 感知机算法 148
    • 5.1.3 感知机算法的对偶形式 151
    • 5.2 从感知机到支持向量机 153
    • 5.2.1 间隔最大化与线性SVM 154
    • 5.2.2 SVM算法的对偶形式 158
    • 5.2.3 SVM的训练 161
    • 5.3 从线性到非线性 163
    • 5.3.1 核技巧简述 163
    • 5.3.2 核技巧的应用 166
    • 5.4 多分类与支持向量回归 180
    • 5.4.1 一对多方法(One-vs-Rest) 180
    • 5.4.2 一对一方法(One-vs-One) 181
    • 5.4.3 有向无环图方法(Directed Acyclic Graph Method) 181
    • 5.4.4 支持向量回归(Support Vector Regression) 182
    • 5.5 相关数学理论 183
    • 5.5.1 梯度下降法 183
    • 5.5.2 拉格朗日对偶性 185
    • 5.6 本章小结 187
    • 第6章 神经网络 188
    • 6.1 从感知机到多层感知机 189
    • 6.2 前向传导算法 192
    • 6.2.1 算法概述 193
    • 6.2.2 激活函数(Activation Function) 195
    • 6.2.3 损失函数(Cost Function) 199
    • 6.3 反向传播算法 200
    • 6.3.1 算法概述 200
    • 6.3.2 损失函数的选择 202
    • 6.3.3 相关实现 205
    • 6.4 特殊的层结构 211
    • 6.5 参数的更新 214
    • 6.5.1 Vanilla Update 217
    • 6.5.2 Momentum Update 217
    • 6.5.3 Nesterov Momentum Update 219
    • 6.5.4 RMSProp 220
    • 6.5.5 Adam 221
    • 6.5.6 Factory 222
    • 6.6 朴素的网络结构 223
    • 6.7 “大数据”下的网络结构 227
    • 6.7.1 分批(Batch)的思想 228
    • 6.7.2 交叉验证 230
    • 6.7.3 进度条 231
    • 6.7.4 计时器 233
    • 6.8 相关数学理论 235
    • 6.8.1 BP算法的推导 235
    • 6.8.2 Softmax log-likelihood组合 238
    • 6.9 本章小结 240
    • 第7章 卷积神经网络 241
    • 7.1 从NN到CNN 242
    • 7.1.1 “视野”的共享 242
    • 7.1.2 前向传导算法 243
    • 7.1.3 全连接层(Fully Connected Layer) 250
    • 7.1.4 池化(Pooling) 251
    • 7.2 利用TensorFlow重写NN 252
    • 7.2.1 反向传播算法 252
    • 7.2.2 重写Layer结构 253
    • 7.2.3 实现SubLayer结构 255
    • 7.2.4 重写CostLayer结构 261
    • 7.2.5 重写网络结构 262
    • 7.3 将NN扩展为CNN 263
    • 7.3.1 实现卷积层 263
    • 7.3.2 实现池化层 266
    • 7.3.3 实现CNN中的特殊层结构 267
    • 7.3.4 实现LayerFactory 268
    • 7.3.5 扩展网络结构 270
    • 7.4 CNN的性能 272
    • 7.4.1 问题描述 272
    • 7.4.2 搭建CNN模型 273
    • 7.4.3 模型分析 280
    • 7.4.4 应用CNN的方法 283
    • 7.4.5 Inception 286
    • 7.5 本章小结 289
    • 附录A Python入门 290
    • 附录B Numpy入门 303
    • 附录C TensorFlow入门 310

    上一篇:HAWQ数据仓库与数据挖掘实战  下一篇:机器学习与数据科学:基于R的统计学习方法

    展开 +

    收起 -

     
    Python算法 相关内容
    深度实践Spark机器学习

    本书系统讲解Spark机器学习技术、原理、算法和组件,以及构建Spark机器学习系统的方法、流程、标准和规范,介绍了Spark的深度学习框架TensorFlowOnSpark,以及如何借助它实现卷积神经网络和循环神经网络

    查看详情
    数据挖掘与机器学习:WEKA应用技术与实践

    本书过大量的实践操作,使读者了解并掌握数据挖掘和机器学习的相关技能,系统讲解Weka 3.7.13的操作、理论和应用,适合数据挖掘和机器学习相关人员作为技术参考书使用

    查看详情
    精通机器学习:基于R

    本书为读者提供机器学习和R语言的坚实算法基础和业务基础,内容包括机器学习基本概念、线性回归、逻辑回归和判别分析、线性模型的高级选择特性、K最近邻和支持向量机等,力图平衡实践中的技术和理论两方面

    查看详情
    python机器学习 Scikit-learn使用手册

    scikit-learn是在Python中进行机器学习简单且高效的工具可用于数据挖掘和数据分析,这里提供Scikit-learn 使用手册,欢迎下载

    查看详情
    scikit-learn机器学习:常用算法原理及编程实战

    本书是低门槛入门机器学习,涵盖scikit-learn机器学习的应用场景、编程步骤、Python开发包、算法模型性能评估、8大常用算法、7大实战案例演练,适合有一定编程基础的读者阅读

    查看详情
    机器学习实践:测试驱动的开发方法

    本书涵盖了测试驱动的机器学习、机器学习概述等诸多内容,介绍了机器学习的基本原理,涵盖了测试驱动的机器学习、机器学习概述、K近邻分类、朴素贝叶斯分类、隐马尔科夫模型等,欢迎

    查看详情
    实用机器学习

    这本书围绕实际数据分析的流程展开,着重介绍数据探索、数据预处理和常用的机器学习算法模型,贴近工程实践,通俗易懂地阐述算法思想,适合广大爱好者阅读

    查看详情
    Java机器学习

    利用Java机器学习常见库设计、构建、部署你自己的机器学习应用,包含机器学习基本概念、原理,Weka、Mahout、Spark等常见机器学习库的用法

    查看详情
    Python机器学习

    Python机器学习中文版(Sebastian Raschka著),一共13章,含机器学习算法、模型评估、集成学习、web应用、神经网络等,想要学习机器语言的可以下载学习

    查看详情
    零起点Python机器学习快速入门

    这本书采用独创的黑箱模式,MBA案例教学机制,结合一线实战案例,介绍Sklearn人工智能模块库和常用的机器学习算法,读完本书内容和配套的教学代码,就能够编写简单的机器学习函数

    查看详情
    Python机器学习算法

    这是一本机器学习入门读物,注重理论与实践的结合,以典型的机器学习算法为例,从算法原理出发,由浅入深,详细介绍算法的理论,并配合目前流行的Python语言,从零开始,增强实际的算法实践能力

    查看详情
    Python机器学习经典实例

    《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

    查看详情
    《Python与机器学习实战》学习笔记
    网友NO.48260
    网友NO.48260

    机器学习(Machine Learning)是人工智能的分支,专门研究计算机怎样模拟或实现人类的学习行为,机器学习是运用算法来分析数据、从中学习、测定或预测现实世界的某些事务,赋予它如何执行任务的能力。数据是载体,智能是目标,而机器学习是从数据通往智能的技术途径。例如,基于历史数据,监督分类算法就被用来分类潜在客户或贷款意向。
    通俗的说,机器学习就是从数据中挖掘出有价值的信息。数据本身是无意识的,为了自动呈现出有价值的信息。首先要给数据一个抽象的表示,接着基于表示进行建模,然后估计模型参数,也就是计算。此外,还需要设计有效的算法应对不同的任务。
    根据不同的任务,应用的算法也不同:朴素贝叶斯、支持向量机、神经网络、关联规则、决策树、逻辑回归或多种方法的结合。这些都是数据科学的分支,当这些算法被用于自动化的时候,就像在自动飞行或无人驾驶汽车中,它被称为人工智能。

    网友NO.36273
    网友NO.36273

    人工智能是计算机科学的子领域,自从1956年几个计算机科学家在达特茅斯会议上聚集并开辟了人工智能(AI:Artificial Intelligence)这一领域,人工智能就进入了我们的想象,并在实验研究中进行着酝酿。人工智能的先驱者们的梦想是借由新兴计算机构建具有人类智力特征的复杂机器。这就是“通用人工智能(General AI)”的概念,即拥有人类的所有感觉、所有的理智,像人类一样思考的神奇机器。目前科研领域还没有达到能实现通用人工智能的水平,当今引领人工智能蓬勃发展的是“狭义人工智能(Narrow AI)”,指的是能够将特殊任务处理水平与人类一样好,或者更好的技术。譬如图像识别、语音识别、机器翻译等,其准确率已超过人类极限水平。

    Copyright 2018-2020 xz577.com 码农之家

    本站所有电子书资源不再提供下载地址,只分享来路

    免责声明:网站所有作品均由会员网上搜集共同更新,仅供读者预览及学习交流使用,下载后请24小时内删除

    版权投诉 / 书籍推广 / 赞助:QQ:520161757