机器学习规则抽取

机器学习规则抽取源码，是学习规则抽取技术的好资料

立即下载

上传者： ftp11 时间： 2016-09-21

基于机器学习的网页正文提取方法

先将网页转换为规范的 DOM 树 然后计算每行文本的文本密度 与标题相关度等值 并将其作为输入参数利用 BP 神经网络进行训练 进而形成抽取规则 最后通过实验验证该方法的可行性

立即下载

上传者： whlgh 时间： 2014-03-01

基于强化学习和深度学习的实体、关系联合抽取

基于强化学习和深度学习的实体、关系联合抽取的最新论文

立即下载

上传者： rogeroy 时间： 2018-01-24

Web信息抽取中基于神经网络的规则学习方法.pdf

Web信息抽取中基于神经网络的规则学习方法.pdf

立即下载

上传者： shuizimuzhongling 时间： 2008-05-26

nltk实现对英文短文本的名词抽取

基于nltk实现对英文短文本的名词抽取，规则可以自己制定。

立即下载

上传者： zhylhy520 时间： 2018-04-02

ETL数据抽取方案

内容详细的简明的介绍了ETL数据抽取的原理，详细阐明了数据抽取的几种规则和方式

立即下载

上传者： ithinkwlisgood 时间： 2018-04-04

批量数据，名词抽取

利用nltk包实现对句子的名词抽取，可以自定义抽取的规则，需要了解一定的nltk名词抽取的规则，支持批量处理，具体的量可以自己设定。

立即下载

上传者： zhylhy520 时间： 2018-06-13

自然语言信息抽取中的机器学习方法研究

自然语言信息抽取中的机器学习方法研究。论文。自然语言处理 机器学习 实体关系抽取。

立即下载

上传者： xiaochouyu1987 时间： 2011-10-15

beanbun-parser

beanbun-parser 是 Beanbun 的数据抽取插件。抽取规则的选择器语法类似于 jQuery，使用简单。

立即下载

上传者： yyy13024687832 时间： 2018-04-14

文本挖掘 机器学习

文本主题词抽取研究与应用，机器学习 文本挖掘 中文分词

立即下载

上传者： lindanzhu 时间： 2016-01-26

基于GATE的信息抽取系统介绍

基于GATE的信息抽取系统介绍基于GATE的信息抽取系统介绍基于GATE的信息抽取系统介绍基于GATE的信息抽取系统介绍

立即下载

上传者： yanmiya 时间： 2009-04-05

机器学习实战：基于Scikit-Learn和TensorFlow 中英文 高清PDF

机器学习实战：基于Scikit-Learn和TensorFlow， 高清中英文版，带目录。

立即下载

上传者： raven47 时间： 2018-11-02

机器学习规则

google团队总结的43条机器学习规则，对不同层次的人都有帮助。

立即下载

上传者： zhang_shuai12 时间： 2018-10-13

图灵书籍(精通机器学习：基于R（第2版）.pdf+代码)

本书使用R语言讲述机器学习高级技术，带领读者深入研究统计学习理论和监督式学习，理解如何设计高效算法，学习构建推荐引擎，运用多类分类和深度学习，等等。通过探索数据挖掘、分类、聚类、回归、预测建模、异常检测等，本书帮助读者理解这些概念的工作原理和能够实现的操作。读者将循序渐进地学习神经网络等主题，探索深度学习等内容。通过不同方式使用不同的数据集，读者还可以在AWS等云平台上利用R亲手实践机器学习。

立即下载

上传者： towangjindian 时间： 2018-04-02

精通机器学习：基于R（第2版）.[美] Cory Lesmeister(带书签高清文字版).pdf

本书使用R语言讲述机器学习高级技术，带领读者深入研究统计学习理论和监督式学习，理解如何设计高效算法，学习构建推荐引擎，运用多类分类和深度学习，等等。通过探索数据挖掘、分类、聚类、回归、预测建模、异常检测等，本书帮助读者理解这些概念的工作原理和能够实现的操作。读者将循序渐进地学习神经网络等主题，探索深度学习等内容。通过不同方式使用不同的数据集，读者还可以在AWS等云平台上利用R亲手实践机器学习。 第1章 成功之路 1 1.1　流程 1 1.2　业务理解 2 1.2.1　确定业务目标 3 1.2.2 现状评估 4 1.2.3　确定分析目标 4 1.2.4　建立项目计划 4 1.3　数据理解 4 1.4　数据准备 5 1.5　建模 5 1.6　评价 6 1.7　部署 6 1.8　算法流程图 7 1.9　小结 10 第2章　线性回归：机器学习基础技术 11 2.1 单变量回归 11 2.2　多变量线性回归 18 2.2.1　业务理解 18 2.2.2　数据理解和数据准备 18 2.2.3　模型构建与模型评价 21 2.3　线性模型中的其他问题 30 2.3.1　定性特征 30 2.3.2　交互项 32 2.4　小结 34 第3章　逻辑斯蒂回归与判别分析 35 3.1　分类方法与线性回归 35 3.2　逻辑斯蒂回归 36 3.2.1　业务理解 36 3.2.2　数据理解和数据准备 37 3.2.3　模型构建与模型评价 41 3.3　判别分析概述 46 3.4　多元自适应回归样条方法 50 3.5　模型选择 54 3.6　小结 57 第4章　线性模型中的高级特征选择技术 58 4.1　正则化简介 58 4.1.1　岭回归 59 4.1.2　LASSO 59 4.1.3　弹性网络 60 4.2　商业案例 60 4.2.1　业务理解 60 4.2.2　数据理解和数据准备 60 4.3　模型构建与模型评价 65 4.3.1　最优子集 65 4.3.2　岭回归 68 4.3.3　LASSO 71 4.3.4　弹性网络 73 4.3.5　使用glmnet进行交叉验证 76 4.4　模型选择 78 4.5　正则化与分类问题 78 4.6　小结 81 第5章　更多分类技术：K最近邻与支持向量机 82 5.1　K最近邻 82 5.2　支持向量机 84 5.3　商业案例 86 5.3.1　业务理解 86 5.3.2　数据理解和数据准备 87 5.3.3　模型构建与模型评价 92 5.3.4　模型选择 98 5.4　SVM中的特征选择 100 5.5　小结 101 第6章　分类回归树 103 6.1　本章技术概述 103 6.1.1　回归树 104 6.1.2　分类树 104 6.1.3　随机森林 105 6.1.4　梯度提升 106 6.2　商业案例 106 6.2.1　模型构建与模型评价 107 6.2.2　模型选择 121 6.2.3　使用随机森林进行特征选择 121 6.3　小结 123 第7章　神经网络与深度学习 124 7.1　神经网络介绍 124 7.2　深度学习简介 128 7.3　业务理解 131 7.4　数据理解和数据准备 132 7.5　模型构建与模型评价 136 7.6　深度学习示例 139 7.6.1　H2O背景介绍 139 7.6.2　将数据上载到H2O平台 140 7.6.3　建立训练数据集和测试数据集 141 7.6.4　模型构建 142 7.7　小结 146 第8章　聚类分析 147 8.1　层次聚类 148 8.2　K均值聚类 149 8.3　果瓦系数与围绕中心的划分 150 8.3.1　果瓦系数 150 8.3.2　PAM 151 8.4　随机森林 151 8.5　业务理解 152 8.6　数据理解与数据准备 152 8.7　模型构建与模型评价 155 8.7.1　层次聚类 155 8.7.2　K均值聚类 162 8.7.3　果瓦系数和PAM 165 8.7.4　随机森林与PAM 167 8.8　小结 168 第9章　主成分分析 169 9.1　主成分简介 170 9.2　业务理解 173 9.3　模型构建与模型评价 176 9.3.1　主成分抽取 176 9.3.2　正交旋转与解释 177 9.3.3　根据主成分建立因子得分 178 9.3.4　回归分析 178 9.4　小结 184 第10章　购物篮分析、推荐引擎与序列分析 185 10.1　购物篮分析简介 186 10.2　业务理解 187 10.3　数据理解和数据准备 187 10.4　模型构建与模型评价 189 10.5　推荐引擎简介 192 10.5.1　基于用户的协同过滤 193 10.5.2　基于项目的协同过滤 194 10.5.3　奇异值分解和主成分分析 194 10.6　推荐系统的业务理解 198 10.7　推荐系统的数据理解与数据准备 198 10.8　推荐系统的建模与评价 200 10.9　序列数据分析 208 10.10　小结 214 第11章　创建集成多类分类 215 11.1　集成模型 215 11.2　业务理解与数据理解 216 11.3　模型评价与模型选择 217 11.4　多类分类 219 11.5　业务理解与数据理解 220 11.6　模型评价与模型选择 223 11.6.1　随机森林 224 11.6.2　岭回归 225 11.7　MLR集成模型 226 11.8　小结 228 第12章　时间序列与因果关系 229 12.1　单变量时间序列分析 229 12.2　业务理解 235 12.3　模型构建与模型评价 240 12.3.1　单变量时间序列预测 240 12.3.2　检查因果关系 243 12.4　小结 249 第13章　文本挖掘 250 13.1　文本挖掘框架与方法 250 13.2　主题模型 252 13.3　业务理解 254 13.4　模型构建与模型评价 257 13.4.1　词频分析与主题模型 257 13.4.2　其他定量分析 261 13.5　小结 267 第14章　在云上使用R语言 268 14.1　创建AWS账户 269 14.1.1　启动虚拟机 270 14.1.2　启动Rstudio 272 14.2　小结 274 附录　R语言基础 275

立即下载

上传者： kxjrzyk 时间： 2018-04-26

Kindle版本：《机器学习实战：基于Scikit-Learn和TensorFlow》中文版

英文版评价更高，中文版可以参照着英文版阅读 本书主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

立即下载

上传者： hawy 时间： 2018-11-07

机器学习实战:基于Scikit-Learn和Tensorflow中文版PDF格式

机器学习实战:基于Scikit-Learn和Tensorflow中文版PDF格式，英文版是Hands-On Machine Learning with Scikit-Learn and TensorFlow，评价很高的一本机器学习书

立即下载

上传者： qq_36975593 时间： 2018-11-23

算法博弈论机制设计与机器学习

关于算法博弈论方面的文章，计算机科学和经济学的交叉研究

立即下载

上传者： liyan_198383 时间： 2011-02-23

信息提取方法（含规则抽取、统计抽取以及混合抽取）

The automatic extraction of information from unstructured sources has opened up new avenues for querying, organizing, and analyzing data by drawing upon the clean semantics of structured databases and the abundance of unstructured data.

立即下载

上传者： weixin_41604463 时间： 2018-11-14

《机器学习实战：基于Scikit-Learn和TensorFlow 源码》+数据+中文高清+英文高清

机器学习实战：基于Scikit-Learn和TensorFlow 源码+数据+中文高清+英文高清 这是一本实用至上的书籍。这本书绝对可以作为快速搭建机器学习项目的工具书，理论也有讲，不过不会太深，大概明白原理和使用方法即可，非常适合机器学习做数据分析入门。

立即下载

上传者： hans208 时间： 2018-11-20