机器学习电子书、文档下载

机器学习分两大类，有监督学习(supervised learning)和无监督学习(unsupervised learning)。有监督学习又可分两类：分类（classification.）和回归（regression），分类的任务就是把一个样本划为某个已知类别，每个样本的类别信息在训练时需要给定，比如人脸识别、行为识别、目标检测等都属于分类。回归的任务则是预测一个数值，比如给定房屋市场的数据（面积，位置等样本信息）来预测房价走势。而无监督学习也可以成两类：聚类（clustering）和密度估计（density estimation）,聚类则是把一堆数据聚成弱干组，没有类别信息；密度估计则是估计一堆数据的统计参数信息来描述数据,比如深度学习的RBM。 根据机器学习实战讲解顺序，先学习K近邻法（K Nearest Neighbors-KNN） K近邻法是有监督学习方法，原理很简单，假设我们有一堆分好类的样本数据，分好类表示每个样本……

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。关于这一点，请自行在网络上搜索获取方法。 关于如何获取NumPy也请参阅scipy.org官网上的Installing packages。本文不再赘述。 笔者推荐使用pip的方式安装……

SVM支持向量机是建立于统计学习理论上的一种分类算法，适合与处理具备高维特征的数据集。 SVM算法的数学原理相对比较复杂，好在由于SVM算法的研究与应用如此火爆，CSDN博客里也有大量的好文章对此进行分析，下面给出几个本人认为讲解的相当不错的： 支持向量机通俗导论（理解SVM的3层境界） JULY大牛讲的是如此详细，由浅入深层层推进，以至于关于SVM的原理，我一个字都不想写了。。强烈推荐。 还有一个比较通俗的简单版本的：手把手教你实现SVM算法 SVN原理比较复杂，但是思想很简单，一句话概括，就是通过某种核函数，将数据在高维空间里寻找一个最优超平面，能够将两类数据分开。 针对不同数据集，不同的核函数的分类效果可能完全不一样。可选的核函数有这么几种： 线性函数：形如K(x,y)=x*y这样的线性函数； 多项式函数：形如K(x,y)=……

初衷 在看到一位产品经理制定机器学习的计划并实施后，产生了同样的念头，非技术都在了解学习机器学习，我有什么理由不去学呢？ 关于本书 本书（《 Python 机器学习经典实例 》）的标题经典实例让我非常感兴趣。 一直认为学习任何新事物，先上手实现简单的demo，再分析这个demo做了什么，怎么做，才能更快的学习。如果是在初始阶段就大量的学习理论，只会对要学习的东西感到痛苦，这个有什么用啊？或者虽然每个字都能看懂，但放一起就不知道在说什么了。 幸运的是本书就同书名一样，上手就是实例，也穿插了必要的专有名词解释，总体来说还是能够跟得上进度。 并且给出了所使用的数据，能够和书中得到相同的结果，这一反馈更能够增强学习的意愿与兴趣。 但是另一方面，只给出结果，而没有原因，在一定程度上只是学会了书里面的知……

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个蓝色的正方形，这3个点投票，于是绿色的这个待分类点属于红色的三角形。 如果k=5，那么离绿色点最近的有2个红色三角形和3个蓝色的正方形，这5个点投票，于是……

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……