当前位置:首页 > 热门标签 > 机器学习

机器学习

本标签包含:44篇文章

本专题中精选机器学习相关文档、视频、软件、源码等资源以及技术教程文章,更多相关内容陆续增加,建议收藏本栏目,本站整理包含机器学习的内容共计44个,剩余549个等待更新。

机器学习实践应用

机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度等多门学科,专门研究计算机怎样模拟或实现人类的学习行为。机器学习是人工智能的核心,是使计算机

查看详情
Scikit-Learn与TensorFlow机器学习实用指南 查看详情
TensorFlow机器学习实战指南 查看详情
Python机器学习(第2版)

本书将机器学习背后的基本理论与应用实践联系起来,通过这种方式让读者聚焦于如何正确地提出问题、解决问题。书中讲解了如何使用Python的核心元素以及强大的机器学习库,同时还展示了如何正确使用一系列统计模型。

查看详情
大数据智能:互联网时代的机器学习和自然语言处理技术

本书是一本介绍大数据智能分析的科普书籍, 旨在让更多的人了解和学习互联网时代的机器学习和自 然语言处理技术,以期让大数据技术更好地为我们的生产和生活服务。 全书包括大数据智能基础和大数据智能应用两个部分,共 8 章。大数据智能基础部分有三章:第 1 章 以深度学习为例介绍大数据智能的计算框架;第 2 章以知识图谱为例介绍大数据智能的知识库;第 3 章介 绍大数据背后的计算处理系统。 大数据智能应用部分有 5 章: 第 4 章介绍智能

查看详情
终极算法:机器学习和人工智能如何重塑世界

算法已在多大程度上影响我们的生活? 购物网站用算法来为你推荐商品,点评网站用算法来帮你选择餐馆,GPS系统用算法来帮你选择*路线,公司用算法来选择求职者……

查看详情
金融科技:人工智能与机器学习卷 查看详情
零起点Python足彩大数据与机器学习实盘分析 查看详情
R语言机器学习 查看详情
大数据与机器学习:实践方法与行业案例

(1)从数据信息、基本服务平台、统计分析方法、应用领域4个层面,义情景化方法解读数据信息从获得、预备处理、发掘、模型、依据解析与呈现到系统软件运用的步骤,及其深度学习的关键

查看详情
白话大数据与机器学习 查看详情
统计机器学习导论

《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

查看详情
分布式机器学习:算法、理论与实践

《分布式机器学习:算法、理论与实践》 旨在全面介绍分布式机器学习的现状,深入分析其中的核心技术问题,并且讨论该领域未来的发展方向。 全书共12章。第1章是绪论,向大家展示分布式

查看详情
深入浅出Python机器学习

人工智能,火了!计算机是由程序驱动的,人工智能不过是一些特殊的算法。只要你有一些程序设计语言的基础,跟随本书,你也能进入人工智能的世界,成为一名人工智能应用的开发者。

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
美团机器学习实践

人工智能机器学习算法落地实践指南 内容涵盖搜索 推荐 风控 计算广告 图像处理等领域 展示美团技术底蕴 系统阐述大型互联网公司机器学习真实场景实践

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
机器学习与R语言

R本身是一款十分优秀的数据分析和数据可视化软件。《 机器学习与R语言 》通过将实践案例与核心的理论知识相结合,提供了你开始将机器学习应用到你自己项目中所需要的知识。《机器学习

查看详情
实用机器学习

《实用机器学习》 介绍了实用机器学习的工作流程,主要从实用角度进行了描述,没有数学公式和推导。本书涵盖了数据收集与处理、模型构建、评价和优化、特征的识别、提取和选择技术、

查看详情
机器学习项目开发实战

本书通过一系列有趣的实例,由浅入深地介绍了机器学习这一炙手可热的新领域,并且详细介绍了适合机器学习开发的Microsoft F#语言和函数式编程,引领读者深入了解机器学习的基本概念、核

查看详情
机器学习基础教程

《机器学习基础教程》是一本关于机器学习的电子书资源,涉及机器学习、基础教程等相关内容,本文提供大小为57MB的扫描中文PDF格式电子书下载,希望大家能够喜欢。

查看详情
Spark MLlib机器学习:算法、源码及实战详解

《Spark MLlib机器学习:算法、源码及实战详解》以Spark 1.4.1版本源码为切入点,全面并且深入地解析Spark MLlib模块,着力于探索分布式机器学习的底层实现。 《Spark MLlib机器学习:算法、源码及

查看详情
R语言实战:机器学习与数据分析 查看详情
构建实时机器学习系统 查看详情
基于免疫计算的机器学习方法及应用

对于关联规则发掘、数据标准化、统计数据聚类分析法、特性约简等深度学习及生物信息大数据分析等实际难题,明确提出一连串新方式,并融合深度神经网络和张量测算讨论了深度学习软计

查看详情
244
首页 1 2 下一页 末页
机器学习 笔记精选
网友NO.178305

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) 上图中要确定测试样本绿色属于蓝色还是红色。 显然,当K=3时,将以1:2的投票结果分类于红色;而K=5时,将以3:2的投票结果分类于蓝色。 KNN算法……

网友NO.626817

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 l(xi)=-log2 p(xi),p(xi)为选择该类的概率。那么信息源的熵H=-∑p(xi)·log2 p(xi)。根据这个公式我们下面编写代码计算香农熵 def calcShannonEnt(dataSet): NumEntries = ……

网友NO.765373

python机器学习实战之最近邻kNN分类器

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都一个对应的已知类标签,当来一个测试样本要我们判断它的类别是,就分别计算到每个样本的距离,然后选取离测试样本最近的前K个样本的标签累计投票,得票数最多的那个标签就为测试样本的标签。 源代码详解: #-*- coding:utf-8 -*- #!/usr/bin/python # 测试代码 约会数据分类 import KNN KNN.datingClassTest1() 标签为字符串 KNN.datingClassTest2() 标签为整形 # 测试代码 手写字体分类 import KNN KNN.handwritingClassTest() from numpy import * # 科学计算包 import operator # 运算符模块 from os import listdir # 获得指定目录中的内容(手写字体文件夹下样本txt) 类型命令行 ls import matplotlib # 画图可视化操作 import matplotlib.pyplot as plot # 显示一个 二维图 def myPlot(x, y, labels): fig = plot.figure()#创建一个窗……

网友NO.178100

Python 机器学习库 NumPy

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。本文针对Python 机器学习库 NumPy入门教程,感兴趣的朋友一起学习吧 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……

网友NO.230543

Python机器学习之Scikit-Learn教程

你好,%用户名%! 我叫Alex,我在机器学习和网络图分析(主要是理论)有所涉猎。我同时在为一家俄罗斯移动运营商开发大数据产品。这是我第一次在网上写文章,不喜勿喷。 现在,很多人想开发高效的算法以及参加机器学习的竞赛。所以他们过来问我:该如何开始?。一段时间以前,我在一个俄罗斯联邦政府的下属机构中领导了媒体和社交网络大数据分析工具的开发。我仍然有一些我团队使用过的文档,我乐意与你们分享。前提是读者已经有很好的数学和机器学习方面的知识(我的团队主要由MIPT(莫斯科物理与技术大学)和数据分析学院的毕业生构成)。 这篇文章是对数据科学的简介,这门学科最近太火了。机器学习的竞赛也越来越多(如,Kaggle, TudedIT),而且他们的资金通常很可观。 R和Python是提供给数据科学家的最常用的两种工具。每一个……

网友NO.587681

机器学习实战之knn算法pandas

机器学习实战之knn算法pandas,供大家参考,具体内容如下 开始学习机器学习实战这本书,打算看完了再回头看 周志华的 机器学习。机器学习实战的代码都是用numpy写的,有些麻烦,所以考虑用pandas来实现代码,也能回顾之前学的 用python进行数据分析。感觉目前章节的测试方法太渣,留着以后学了更多再回头写。 # coding: gbkimport pandas as pdimport numpy as npdef getdata(path): data = pd.read_csv(path, header=None, sep='\t') character = data.iloc[:, :-1] label = data.iloc[:, -1] chara_max = character.max() chara_min = character.min() chara_range = chara_max - chara_min normal_chara = (character - chara_min) / chara_range return normal_chara, label # 获得归一化特征值和标记def knn(inX, normal_chara, label, k): data_sub = normal_chara - inX data_square = data_sub.applymap(np.square) data_sum = data_square.sum(axis=1) data_sqrt = data_sum.map(np.sqrt) dis_sort = data_sqrt.argso……

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

版权投诉 / 书籍推广 / 赞助:520161757@qq.com