下载 >  人工智能 >  机器学习 > 机器学习:实用案例解析

机器学习:实用案例解析

机器学习:实用案例解析 (中文版书籍 ,带完整书签)
2018-04-16 上传大小:34.28MB
分享
收藏 (1) 举报
机器学习实用案例解析(数据+代码)

《 机器学习:实用案例解析》一书对热爱数据分析工作的人而言实在是不可多得,现本人通过购买原版英文图书有幸获赠代码及数据,需要的朋友快速下载吧!(资源限制,只能先上传1~4章)

立即下载
机器学习实用案例解析_超高清pdf

【内容提要】本书比较全面系统地介绍了机器学习的方法和技术,不仅详细阐述了许多经典的学习方法,还讨论了一些有生命力的新理论、新方法。全书案例既有分类问题,也有回归问题;既包含监督学习,也涵盖无监督学习。本书讨论的案例从分类讲到回归,然后讨论了聚类、降维、最优化问题等。 【参考文献格式】(美)康威著. 机器学习 实用案例解析. 北京:机械工业出版社, 2013.04.

立即下载
机器学习实用案例解析(中文版,带完整书签)

机器学习:实用案例解析(中文版,带完整书签) 有实例讲解

立即下载
机器学习实用案例解析(R语言)

机器学习中的一些实用案例解析用R语言实现

立即下载
机器学习实用案例解析(中文版,带完整书签).pdf

机器学习实用案例解析是一本Machine Learning 的入门读物,更适合的读者群其实是对Machine Learning感兴趣,对R有基本的了解,但对统计和编程的了解都很有限的同学阅读的书。该书中有大量的R代码,有非常浅显的机器学习的应用实例,例如垃圾邮件识别,邮件重要性排序,pv预估等等——非常适合机器学习初学者,前提是,你需要一点R语言的基础。 我上传的一些商业电子书是供学习研究之用,如用于商业用途,请购买正版。

立即下载
机器学习实用案例解析 中文版 Python机器学习及实践-从零开始通往Kaggle竞赛之路

机器学习:实用案例解析 中文版 Python机器学习及实践-从零开始通往Kaggle竞赛之路 两本,是机器学习领域很好的资料,讲解详细,非常适合机器学习入门、实战。

立即下载
机器学习实用案例解析中文高清完整版PDF带书签

机器学习是计算机科学和人工智能中非常重要的一个研究领域,近年来,机器学习不但在计算机科学的众多领域中大显身手,而且成为一些交叉学科的重要支撑技术。 全书案例既有分类问题,也有回归问题;既包含监督学习,也涵盖无监督学习。本书讨论的案例从分类讲到回归,然后讨论了聚类、降维、最优化问题等。这些案例包括分类:垃圾邮件识别,排序:智能收件箱,回归模型:预测网页访问量,正则化:文本回归,最优化:密码破解,无监督学习:构建股票市场指数,空间相似度:用投票记录对美国参议员聚类,推荐系统:给用户推荐R语言包,社交网络分析:在Twitter上感兴趣的人,模型比较:给你的问题找到最佳算法。各章对原理的叙述力求概念清晰、表达准确,突出理论联系实际,富有启发性,易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。R语言非常适合用于机器学习的案例研究,因为它是一种用于数据分析的高水平、功能性脚本语言。 开发一个朴素贝叶斯分类器,仅仅根据邮件的文本信息来判断这封邮件是否是垃圾邮件; 使用线性回归来预测互联网排名前1000网站的PV; 利用文本回归理解图书中词与词之间的关系; 通过尝试破译一个简单的密码来学习优化技术; 利用无监督学习构建股票市场指数,用于衡量整体市场行情的好坏; 根据美国参议院的投票情况,从统计学的角度对美国参议员聚类; 通过K近邻算法构建向用户推荐R语言包; 利用Twitter数据来构建一个“你可能感兴趣的人”的推荐系统; 模型比较:给你的问题找到最佳算法。

立即下载
机器学习实用案例解析(中英文完整版+代码)

机器学习 实战实用案例解析 机器学习时计算机科学和人工智能中非常重要的一个研究领域,近年来,机器学习不但在计算机科学的众多领域中大显身手,而且成为一些交叉学科的重要支撑技术。本书较全面系统的介绍了机器学习的方法和技术,不仅详细阐述了许多经典的学习方法,而且讨论了一些有生命力的新理论、新方法。

立即下载
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 常用的科学计算软件 9 2.1.2 本书使用的工程计算平台 10 2.2 计算平台的配置 11 2.2.1 Numpy等Python科学计算包的安装与配置 11 2.2.2 OpenCV 安装与配置 14 2.2.3 mlpy 安装与配置 14 2.2.4 BeautifulSoup安装与配置 15 2.2.5 Neurolab安装与配置 15 2.2.6 R安装与配置 16 2.3 小结 16 第二部分 基础篇 第3章 计算平台应用实例 18 3.1 Python计算平台简介及应用实例 18 3.1.1 Python语言基础 18 3.1.2 Numpy库 29 3.1.3 pylab、matplotlib绘图 36 3.1.4 图像基础 38 3.1.5 图像融合与图像镜像 46 3.1.6 图像灰度化与图像加噪 48 3.1.7 声音基础 51 3.1.8 声音音量调节 53 3.1.9 图像信息隐藏 58 3.1.10 声音信息隐藏 62 3.2 R语言基础 68 3.2.1 基本操作 69 3.2.2 向量 71 3.2.3 对象集属性 77 3.2.4 因子和有序因子 78 3.2.5 循环语句 79 3.2.6 条件语句 79 3.3 R语言科学计算 80 3.3.1 分类(组)统计 80 3.3.2 数组与矩阵基础 81 3.3.3 数组运算 84 3.3.4 矩阵运算 85 3.4 R语言计算实例 93 3.4.1 学生数据集读写 93 3.4.2 最小二乘法拟合 94 3.4.3 交叉因子频率分析 96 3.4.4 向量模长计算 97 3.4.5 欧氏距离计算 98 3.5 小结 99 思考题 99 第4章 生产环境基础 100 4.1 Windows Server 2008基础 100 4.1.1 Windows Server 2008 R2概述 101 4.1.2 Windows PowerShell 102 4.2 Linux基础 103 4.2.1 Linux命令 104 4.2.2 Shell基础 114 4.3 Vim编辑器 122 4.3.1 Vim编辑器概述 122 4.3.2 Vim常用命令 123 4.4 虚拟化平台 124 4.4.1 Citrix Xenserver概述 125 4.4.2 Citrix Xenserver部署 126 4.4.3 基于XenCenter的虚拟服务器管理 126 4.5 Linux环境下的NumPy安装 135 4.6 Linux环境下的R运行环境 136 4.7 PyPy编译器 136 4.7.1 PyPy概述 136 4.7.2 PyPy安装与配置 137 4.7.3 PyPy性能 137 4.7.4 PyPy实践之Lempel-Ziv压缩 138 4.8 小结 145 思考题 146 第三部分 统计分析实战篇 第5章 统计分析基础 148 5.1 数据分析概述 148 5.2 数学基础 149 5.3 回归分析 154 5.3.1 单变量线性回归 154 5.3.2 多元线性回归 156 5.3.3 非线性回归 157 5.4 数据分析基础 159 5.4.1 区间频率分布 159 5.4.2 数据直方图 161 5.4.3 数据散点图 162 5.4.4 五分位数 164 5.4.5 累积分布函数 165 5.4.6 核密度估计 166 5.5 数据分布分析 167 5.6 小结 169 思考题 170 第6章 描述性分析案例 171 6.1 数据图形化案例解析 171 6.1.1 点图 171 6.1.2 饼图和条形图 172 6.1.3 茎叶图和箱线图 173 6.2 数据分布趋势案例解析 175 6.2.1 平均值 175 6.2.2 加权平均值 175 6.2.3 数据排序 176 6.2.4 中位数 177 6.2.5 极差、半极差 177 6.2.6 方差 178 6.2.7 标准差 178 6.2.8 变异系数、样本平方和 178 6.2.9 偏度系数、峰度系数 179 6.3 正态分布案例解析 180 6.3.1 正态分布函数 180 6.3.2 峰度系数分析 181 6.3.3 累积分布概率 181 6.3.4 概率密度函数 182 6.3.5 分位点 183 6.3.6 频率直方图 185 6.3.7 核概率密度与正态概率分布图 185 6.3.8 正态检验与分布拟合 186 6.3.9 其他分布及其拟合 188 6.4 多变量分析 189 6.4.1 多变量数据分析 189 6.4.2 多元数据相关性分析 197 6.5 小结 201 思考题 201 第7章 假设检验与回归模型案例 202 7.1 假设检验 202 7.1.1 二项分布假设检验 202 7.1.2 数据分布检验 204 7.1.3 正态总体均值检验 205 7.1.4 列联表 206 7.1.5 符号检测 207 7.1.6 秩相关检验 210 7.1.7 Kendall相关检验 213 7.2 回归模型 214 7.2.1 回归预测与显著性检验 214 7.2.2 回归诊断 216 7.2.3 回归优化 217 7.2.4 主成分回归 219 7.2.5 广义线性模型 221 7.3 小结 226 思考题 226 第四部分 机器学习实战篇 第8章 机器学习算法 230 8.1 神经网络 230 8.1.1 Rosenblatt感知器 232 8.1.2 梯度下降 245 8.1.3 反向传播与多层感知器 251 8.1.4 Python神经网络库 270 8.2 统计算法 272 8.2.1 平均值 272 8.2.2 方差与标准差 274 8.2.3 贝叶斯算法 276 8.3 欧氏距离 279 8.4 余弦相似度 280 8.5 SVM 281 8.5.1 数学原理 281 8.5.2 SMO算法 283 8.5.3 算法应用 283 8.6 回归算法 287 8.6.1 线性代数基础 288 8.6.2 最小二乘法原理 289 8.6.3 线性回归 290 8.6.4 多元非线性回归 292 8.6.5 岭回归方法 294 8.6.6 伪逆方法 295 8.7 PCA降维 296 8.8 关联规则 297 8.8.1 关联规则概述 297 8.8.2 频繁项集算法 298 8.8.3 关联规则生成 301 8.8.4 实例分析 302 8.9 自动分类 306 8.9.1 聚类算法 306 8.9.2 决策树 313 8.9.3 AdaBoost 316 8.9.4 竞争型神经网络 317 8.9.5 Hamming神经网络 323 8.10 小结 325 思考题 325 第9章 数据拟合案例 327 9.1 数据拟合 327 9.1.1 图像分析法 327 9.1.2 神经网络拟合法 338 9.2 线性滤波 352 9.2.1 WAV声音文件 352 9.2.2 线性滤波算法过程 352 9.2.3 滤波Python实现 353 9.3 数据或曲线平滑 358 9.3.1 平滑概述 358 9.3.2 移动平均 359 9.3.3 递归线性过滤 362 9.3.4 指数平滑 364 9.4 小结 368 思考题 368 第10章 图像算法案例 370 10.1 图像边缘算法 370 10.1.1 数字图像基础 370 10.1.2 算法描述 371 10.2 图像匹配 372 10.2.1 差分矩阵求和 373 10.2.2 差分矩阵均值 375 10.2.3 欧氏距离匹配 376 10.3 图像分类 382 10.3.1 余弦相似度 382 10.3.2 PCA图像特征提取算法 388 10.3.3 基于神经网络的图像分类 389 10.3.4 基于SVM的图像分类 394 10.4 高斯噪声生成 397 10.5 二值化 401 10.5.1 threshold 401 10.5.2 adaptiveThreshold 402 10.6 插值与缩放 404 10.7 仿射 405 10.7.1 仿射原理 405 10.7.2 仿射变换实例 405 10.8 透视投影与透视变换 406 10.8.1 透视投影原理 406 10.8.2 透视投影实例 407 10.9 灰度变换与图像增强 409 10.9.1 灰度变换概述 409 10.9.2 对数变换 409 10.9.3 分段线性变换 410 10.9.4 指数变换 411 10.9.5 直方图均衡化 412 10.10 图像滤波与除噪 415 10.10.1 均一化块滤波 415 10.10.2 邻域平均法 420 10.10.3 中值滤波 423 10.10.4 高斯滤波 427 10.10.5 双边滤波 429 10.10.6 卷积滤波 431 10.10.7 边缘检测 433 10.11 小结 435 思考题 435 第11章 机器视觉案例 437 11.1 人脸辨识 437 11.1.1 人脸定位 437 11.1.2 人脸辨识 439 11.2 手写数字识别 446 11.2.1 手写数字识别算法 446 11.2.2 算法的Python实现 447 11.3 运动侦测 449 11.3.1 视频采集 450 11.3.2 差分算法 452 11.3.3 光流法 456 11.4 形状检测 458 11.4.1 KNN算法概述 458 11.4.2 形状特征提取 459 11.4.3 形状分类 459 11.5 小结 462 思考题 462 第12章 文本分类案例 463 12.1 文本分类概述 463 12.2 余弦相似度分类 464 12.2.1 中文分词 465 12.2.2 停用词清理 467 12.2.3 算法实战 468 12.3 朴素贝叶斯分类 473 12.3.1 算法描述 473 12.3.2 先验概率计算 474 12.3.3 最大后验概率 474 12.3.4 算法实现 474 12.4 自然语言处理 480 12.4.1 NLTK简介 480 12.4.2 NLTK与jieba的配置 481 12.4.3 中文分词并标注词性 483 12.4.4 词特征指标分析 484 12.4.5 Web文档分析 499 12.4.6 Web文档的朴素贝叶斯分类 503 12.4.7 语法结构分析 515 12.4.8 Web文档聚类 518 12.5 小结 526

立即下载
机器学习实用案例解析(高清带目录完整版)

机器学习实用案例解析(高清带目录完整版) 机器学习实用案例解析(高清带目录完整版) 机器学习实用案例解析(高清带目录完整版)

立即下载
机器学习-实用案例解析

机器学习实用案例解析,里面全是机器学习有关的案例,推荐

立即下载
机器学习-实用案例解析 第三章 代码和数据

机器学习-实用案例解析 第三章 代码和数据

立即下载
机器学习-实用案例解析 第一章 代码和数据

机器学习-实用案例解析 第一章 代码和数据

立即下载
机器学习_实用案例解析 扫描版

机器学习_实用案例解析 扫描版

立即下载
机器学习-实用案例解析 第二章 代码和数据

机器学习-实用案例解析 第二章 代码和数据

立即下载
机器学习——实用案例解析

高清文字带目录。 书中所有算法都采用R语言实现。 全书案例既有分类问题, 也有回归问题; 既包含监督学习, 也涵盖无监督学习。 所选择的案例妙趣横生, 如分析UFO目击记录、 破译密码、 预测股票、 分析美国参议员“结 党”的情况, 等等。

立即下载
机器学习 实用案例解析

机器学习机器学习机器学习机器学习机器学习机器学习机器学习

立即下载
R语言机器学习-实用案例分析(代码+数据),作者拉格哈夫.巴利,与大家分享!

R机器学习好资料,与大家分享!R语言机器学习-实用案例分析(代码+数据),作者拉格哈夫.巴利,与大家分享!

立即下载
机器学习实践指南 案例应用解析 代码及资源

出版社: 机械工业出版社; (2016年7月1日) 外文书名: The Practice of Machine Learning,Second Edition 丛书名: 大数据技术丛书 平装: 526页 语种: 简体中文 开本: 16 ISBN: 9787111540212 源代码及资源

立即下载
机器学习实用案例解析(Machine Learning for Hackers) 中英文版 带完整书

Machine Learning for Hackers (中文译名:机器学习-实用案例解析)通过实例讲解机器学习算法,用R实现的,可以一边学习机器学习一边学习R。   是实操型的书,重点放在讲怎么用R做数据挖掘,机器学习的算法更多的是通过黑箱的方式来讲,强调input,output含义,弱化机器学习算法细节。文中基本都是通过case来讲述怎么去解决问题,并且提供了原始数据供自己分析。适合两种人: (1)有过机器学习的一些理论,缺少案例练习 (2)只需掌握怎么用通用的机器学习解决问题的人,只希望知道机器学习算法的大致思想,不想详细学习机器学习中的算法。

立即下载
关闭
img

spring mvc+mybatis+mysql+maven+bootstrap 整合实现增删查改简单实例.zip

资源所需积分/C币 当前拥有积分 当前拥有C币
5 0 0
点击完成任务获取下载码
输入下载码
为了良好体验,不建议使用迅雷下载
img

机器学习:实用案例解析

会员到期时间: 剩余下载个数: 剩余C币: 剩余积分:0
为了良好体验,不建议使用迅雷下载
VIP下载
您今日下载次数已达上限(为了良好下载体验及使用,每位用户24小时之内最多可下载20个资源)

积分不足!

资源所需积分/C币 当前拥有积分
您可以选择
开通VIP
4000万
程序员的必选
600万
绿色安全资源
现在开通
立省522元
或者
购买C币兑换积分 C币抽奖
img

资源所需积分/C币 当前拥有积分 当前拥有C币
5 4 45
为了良好体验,不建议使用迅雷下载
确认下载
img

资源所需积分/C币 当前拥有积分 当前拥有C币
5 0 0
为了良好体验,不建议使用迅雷下载
VIP和C币套餐优惠
img

资源所需积分/C币 当前拥有积分 当前拥有C币
5 4 45
您的积分不足,将扣除 10 C币
为了良好体验,不建议使用迅雷下载
确认下载
下载
您还未下载过该资源
无法举报自己的资源

兑换成功

你当前的下载分为234开始下载资源
你还不是VIP会员
开通VIP会员权限,免积分下载
立即开通

你下载资源过于频繁,请输入验证码

您因违反CSDN下载频道规则而被锁定帐户,如有疑问,请联络:webmaster@csdn.net!

举报

若举报审核通过,可返还被扣除的积分

  • 举报人:
  • 被举报人:
  • *类型:
    • *投诉人姓名:
    • *投诉人联系方式:
    • *版权证明:
  • *详细原因: