没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
450页
深度学习是机器学习的一个新领域,它的出现使机器学习朝着它的原始目标——人工智能,更近了一步。深度学习会学习关于文本、图像、声音等数据的多层表示和抽象,这些表示和抽象能够帮助我们更好的理解数据。 最近以来一直在学习机器学习和算法,然后自己就在不断总结和写笔记,记录下自己的学习AI与算法历程。 机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、 凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知 识或技能,重新组织已有的知识结构使之不断改善自身的性能。
资源推荐
资源详情
资源评论
目录
致谢
DeeplearningAlgorithmstutorial
BP神经网络
RBF算法
SOM神经网络
ART神经网络
贝叶斯网络
粗糙集
孤立点分析
CART
EM
FP—tree
GSP序列
协同过滤
BIRCH
Prefixspan
PageRank
AdaBoost
CBA
KNN
Hopfield神经网络
决策树
聚类分析
关联规则
支持向量机(SVM)
回归算法
线性回归
逻辑回归
多元自适应回归(MARS)
本地散点平滑估计(LOESS)
基于实例的学习算法
K-近邻算法(KNN)
学习矢量化(LVQ)
自组织映射算法(SOM)
局部加权学习算法(LWR)
正则化算法
-2-本文档使用书栈网·BookStack.CN构建
岭回归(RidgeRegression)
LASSO(LeastAbsoluteShrinkageandSelectionOperator)
弹性网络(ElasticNet)
最小角回归(LARS)
决策树算法
分类和回归树(CART)
ID3算法(IterativeDichotomiser3)
CHAID(Chi-squaredAutomaticInteractionDetection)
随机森林(RandomForest)
多元自适应回归样条(MARS)
梯度推进机(GradientBoostingMachine,GBM)
贝叶斯算法
朴素贝叶斯(NaiveBayes)
高斯朴素贝叶斯(GaussianNaiveBayes)
多项式朴素贝叶斯(MultinomialNaiveBayes)
平均单依赖估计量(AveragedOne-DependenceEstimators)
贝叶斯网络(BayesianBeliefNetwork)
基于核的算法
支持向量机(SVM)
径向基函数(RadialBasisFunction,RBF)
线性判别分析(LinearDiscriminateAnalysis,LDA)
聚类算法(Clusteranalysis)
K-均值(K-MeansAlgorithm)
模糊c-均值聚类算法(FuzzyC-meansAlgorithm)
期望最大化(Expectation-Maximization)
聚类分析(ClusterAnalysis)
关联规则学习(AssociationRuleLearning)
先验算法(AprioriAlgorithm)
Eclat算法(EclatAlgorithm)
FP-growth算法(FP-GrowthAlgorithm)
人工神经网络(ArtificialNeuralNetwork)
自动编码器(Autoencoder)
反向传播(Backpropagation)
递归神经网络(RecurrentNeuralNetwork)
多层感知器(MultilayerPerceptron)
玻尔兹曼机(BoltzmannMachine)
卷积神经网络(ConvolutionalNeuralNetwork)
Hopfield网络(HopfieldNetwork)
-3-本文档使用书栈网·BookStack.CN构建
径向基函数网络(RadialBasisFunctionNetwork)
受限玻尔兹曼机(RestrictedBoltzmannMachine)
自组织映射(Self-OrganizingMap)
脉冲神经网络(SpikingNeuralNetwork)
深度学习(DeepLearning)
深度信念网络(DeepBeliefMachines)
深度卷积神经网络(DeepConvolutionalNeuralNetworks)
深度递归神经网络(DeepRecurrentNeuralNetworks)
分层时间记忆(HierarchicalTemporalMemory)
堆叠自动编码器(StackedAutoEncoder)
生成式对抗网络(GenerativeAdversarialNetworks)
降维算法(DimensionalityReductionAlgorithm)
主成分分析法(PrincipalComponentAnalysis)
多维缩放(MutipleDimensionalScaling)
线性判别分析(LinearDiscriminantAnalysis)
等度量映射(IsometricMapping,Isomap)
局部线性嵌入(LocallyLinearEmbedding)
拉普拉斯特征映射(LaplacianEigenmaps)
t-分布随机近邻嵌入(t-SNE)
深度自动编码器(DeepAutoencoderNetworks)
集成算法(EnsembleLearning)
Boosting
Bagging
-4-本文档使用书栈网·BookStack.CN构建
致谢
当前文档《DeeplearningAlgorithmsTutorial(深度学习算法教程)》由进击的皇虫
使用书栈网(BookStack.CN)进行构建,生成于2021-04-11。
书栈网仅提供文档编写、整理、归类等功能,以及对文档内容的生成和导出工具。
文档内容由网友们编写和整理,书栈网难以确认文档内容知识点是否错漏。如果您在阅读文档获取
知识的时候,发现文档内容有不恰当的地方,请向我们反馈,让我们共同携手,将知识准确、高效且有
效地传递给每一个人。
同时,如果您在日常工作、生活和学习中遇到有价值有营养的知识文档,欢迎分享到书栈网,为知
识的传承献上您的一份力量!
如果当前文档生成时间太久,请到书栈网获取最新的文档,以跟上知识更新换代的步伐。
内容来源:KeKe-Lihttps://github.com/KeKe-Li/tutorial
文档地址:http://www.bookstack.cn/books/Deeplearning-Algorithms-tutorial
书栈官网:https://www.bookstack.cn
书栈开源:https://github.com/TruthHun
分享,让知识传承更久远!感谢知识的创造者,感谢知识的分享者,也感谢每一位阅读到此处的
读者,因为我们都将成为知识的传承者。
致谢
-5-本文档使用书栈网·BookStack.CN构建
剩余449页未读,继续阅读
资源评论
Rocky006
- 粉丝: 5752
- 资源: 1332
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功