内容介绍
深度学习是人工智能技术科学研究行业中的1个至关重要的方位。在现如今互联网时代的背景图下，捕捉统计数据并从文中提纯有使用价值的信息内容或方式，促使这一以往为投资分析师与数学家所专享的科学研究行业愈来愈为大家注目。
这书根据用心编辑的案例，选择平时工作目标，革除学术化語言，运用高效率可多路复用的PHP编码诠释怎样解决数据统计，开展数据统计分析及数据可视化。小读者可从初中到某些关键的机器学习算法，并将其应用于一些策略每日任务中，如归类、分折及强烈推荐等。
这书合适深度学习有关科学研究工作人员及互联网技术从业者学习培训参照。
有着电气工程学士和研究生学位，他以前在美国加州和我国的英特尔公司工作中7年。Peter有着5项美国专利，在几种学术期刊上发布过稿子。他如今是Zillabyte企业的总裁生物学家，在添加该企业以前，他曾出任2年的深度学习手机软件咨询顾问。Peter在课余时间还报名参加程序编写比赛和修建3D复印机。
目录
- 第一部分 归类
- 第1章 深度学习基本
- 第2章 k-近邻优化算法
- 第3章 决策树
- 第4章 应用场景概率论的归类方式：朴素贝叶斯
- 第5章 Logistic重归
- 第6章 支持向量机
- 第7章 运用AdaBoost元优化算法提升归类
- 特性
- 第五一部分 运用重归分折标值型统计数据
- 第8章 分折标值型统计数据：重归
- 第9章 树重归
- 第二一部分 无监督学习
- 第12章 运用K-平均值聚类算法对未标明统计数据排序
- 第12章 应用Apriori优化算法开展关联分析
- 第13章 应用FP-growth优化算法来高效率发觉经常项集
- 第三一部分 别的专用工具
- 第12章 运用PCA来简单化统计数据
- 第13章 运用SVD简单化统计数据
- 第16章 互联网大数据与MapReduce
- 附录A PHP新手入门
- 附录B 线性代数
- 附录C 概率论备考
- 附录D 資源
- 数据库索引
- 版权声明
