已选条件 :  
img
神经网络与机器学习(原书第3版)

神经网络是计算智能和机器学习的重要分支,在诸多领域都取得了很大的成功。在众多神经网络著作中,影响最为广泛的是Simon Haykin的《神经网络原理》(第3版更名为《神经网络与机器学习》)。在本书中,作者结合近年来神经网络和机器学习的最新进展,从理论和实际应用出发,全面、系统地介绍了神经网络的基本模型、方法和技术,并将神经网络和机器学习有机地结合在一起。 本书不但注重对数学分析方法和理论的探讨,而

img
机器学习实践指南:案例应用解析(第二版)完整版PDF[82MB]

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

img
机器学习个人笔记完整版v4.7.pdf

Machine Learning(机器学习 机器学习 )是研究计算机怎样模拟或实现人类的 学习行为,以获取新是研究计算机怎样模拟或实现人类的 学习行为,以获取新是研究计算机怎样模拟或实现人类的 学习行为,以获取新是研究计算机怎样模拟或实现人类的 学习行为,以获取新是研究计算机怎样模拟或实现人类的 学习行为,以获取新是研究计算机怎样模拟或实现人类的 学习行为,以获取新是研究计算机怎样模拟或实现人类的

img
机器学习与R语言 完整扫描版

第1章 机器学习简介 1 1.1 机器学习的起源 2 1.2 机器学习的使用与滥用 3 1.3 机器如何学习 5 1.3.1 抽象化和知识表达 6 1.3.2 一般化 7 1.3.3 评估学习的成功性 9 1.4 将机器学习应用于数据中的步骤 9 1.5 选择机器学习算法 10 1.5.1 考虑输入的数据 10 1.5.2 考虑机器学习算法的类型 11 1.5.3 为数据匹配合适的算法 13 1.

img
R语言实战 机器学习与数据分析

R语言实战 机器学习与数据分析 作 译 者:左飞 出版时间:2016-05 经典统计理论和机器学习方法为数据挖掘提供了必要的分析技术。本书系统地介绍统计分析和机器学习领域中最为重要和流行的多种技术及其基本原理,在详解有关算法的基础上,结合大量R语言实例演示了这些理论在实践中的使用方法。具体内容被分成三个部分,即R语言编程基础、基于统计的数据分析方法以及机器学习理论。统计分析与机器学习部分又具

img
机器学习实战中文版+英文版+源码

机器学习是人工智能研究领域中一个极其重要的研究方向,在现今的大数据时代背景下,捕获数据并从中萃取有价值的信息或模式,成为各行业求生存、谋发展的决定性手段,这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。   《机器学习实战》主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、Ada

img
[Python2]《机器学习实战》及源代码

[Python2]《机器学习实战》及源代码[Python2]《机器学习实战》及源代码[Python2]《机器学习实战》及源代码[Python2]《机器学习实战》及源代码[Python2]《机器学习实战》及源代码

img
Python机器学习实践指南(中文版带书签)、原书代码、数据集

机器学习是近年来渐趋热门的一个领域,同时Python 语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和Python 语言两个热门的领域,通过利用两种核心的机器学习算法来将Python 语言在数据分析方面的优势发挥到极致。 全书共有10 章。第1 章讲解了Python 机器学习的生态系统,剩余9 章介绍了众多与机器学习相关的算法,包括各类分类算法、数据可视化技术、推荐引擎

img
机器学习实践:测试驱动的开发方法 【mobi资源】

本书主要介绍如何将测试驱动开发运用于机器学习算法。每一章都通过示例介绍了机器学习技术能够解决的有关数据的具体问题,以及求解问题和处理数据的方法。具体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、隐马尔可夫模型、支持向量机、神经网络、聚类、核岭回归、模型改进与数据提取等内容。通过学习本书,你将能够利用机器学习技术解决涉及数据的现实问题。

img
机器学习实践测试驱动的开发方法

本书主要介绍如何将测试驱动开发运用于机器学习算法。每一章都通过示例介绍了机器学习技术能够解决的有关数据的具体问题,以及求解问题和处理数据的方法。具体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、隐马尔可夫模型、支持向量机、神经网络、聚类、核岭回归、模型改进与数据提取等内容。通过学习本书,你将能够利用机器学习技术解决涉及数据的现实问题