深入理解机器学习:从原理到算法: 从原理到算法
Shai Shalev Shwartz; Shai Ben David书签制作方法请找 [email protected]
完全免费
本书涵盖了机器学习领域中的严谨理论和实用方法,讨论了学习的计算复杂度、凸性和稳定性、PAC-贝叶斯方法、压缩界等概念,并介绍了一些重要的算法范式,包括随机梯度下降、神经元网络以及结构化输出。
全书讲解全面透彻,适合有一定基础的高年级本科生和研究生学习,也适合作为IT行业从事数据分析和挖掘的专业人员以及研究人员参考阅读。
书名
版权
前言
目录
第1章 引论
1.1 什么是学习
1.2 什么时候需要机器学习
1.3 学习的种类
1.4 与其他领域的关系
1.5 如何阅读本书
1.6 符号
第一部分 理论基础
第2章 简易入门
2.1 一般模型——统计学习理论框架
2.2 经验风险最小化
2.3 考虑归纳偏置的经验风险最小化
2.4 练习
第3章 一般学习模型
3.1 PAC学习理论
3.2 更常见的学习模型
3.2.1 放宽可实现假设——不可知PAC学习
3.2.2 学习问题建模
3.3 小结
3.4 文献评注
3.5 练习
第4章 学习过程的一致收敛性
4.1 一致收敛是可学习的充分条件
4.2 有限类是不可知PAC可学习的
4.3 小结
4.4 文献评注
4.5 练习
第5章 偏差与复杂性权衡
5.1 “没有免费的午餐”定理
5.2 误差分解
5.3 小结
5.4 文献评注
5.5 练习
第6章 VC维
6.1 无限的类也可学习
6.2 VC维概述
6.3 实例
6.3.1 阈值函数
6.3.2 区间
6.3.3 平行于轴的矩形
6.3.4 有限类
6.3.5 VC维与参数个数
6.4 PAC学习的基本定理
6.5 定理6.7的证明
6.5.1 Sauer引理及生长函数
6.5.2 有小的有效规模的类的一致收敛性
6.6 小结
6.7 文献评注
6.8 练习
第7章 不一致可学习
7.1 不一致可学习概述
7.2 结构风险最小化
7.3 最小描述长度和奥卡姆剃刀
7.4 可学习的其他概念——一致收敛性
7.5 探讨不同的可学习概念
7.6 小结
7.7 文献评注
7.8 练习
第8章 学习的运行时间
8.1 机器学习的计算复杂度
8.2 ERM规则的实现
8.2.1 有限集
8.2.2 轴对称矩形
8.2.3 布尔合取式
8.2.4 学习三项析取范式
8.3 高效学习,而不通过合适的ERM
8.4 学习的难度
8.5 小结
8.6 文献评注
8.7 练习
第二部分 从理论到算法
第9章 线性预测
9.1 半空间
9.1.1 半空间类线性规划
9.1.2 半空间感知器
9.1.3 半空间的VC维
9.2 线性回归
9.2.1 最小平方
9.2.2 多项式线性回归
9.3 逻辑斯谛回归
9.4 小结
9.5 文献评注
9.6 练习
第10章 boosting
10.1 弱可学习
10.2 AdaBoost
10.3 基础假设类的线性组合
10.4 AdaBoost用于人脸识别
10.5 小结
10.6 文献评注
10.7 练习
第11章 模型选择与验证
11.1 用结构风险最小化进行模型选择
11.2 验证法
11.2.1 留出的样本集
11.2.2 模型选择的验证法
11.2.3 模型选择曲线
11.2.4 k折交叉验证
11.2.5 训练-验证-测试拆分
11.3 如果学习失败了应该做什么
11.4 小结
11.5 练习
第12章 凸学习问题
12.1 凸性、利普希茨性和光滑性
12.1.1 凸性
12.1.2 利普希茨性
12.1.3 光滑性
12.2 凸学习问题概述
12.2.1 凸学习问题的可学习性
12.2.2 凸利普希茨/光滑有界学习问题
12.3 替代损失函数
12.4 小结
12.5 文献评注
12.6 练习
第13章 正则化和稳定性
13.1 正则损失最小化
13.2 稳定规则不会过拟合
13.3 Tikhonov正则化作为稳定剂
13.3.1 利普希茨损失
13.3.2 光滑和非负损失
13.4 控制适合与稳定性的权衡
13.5 小结
13.6 文献评注
13.7 练习
第14章 随机梯度下降
14.1 梯度下降法
14.2 次梯度
14.2.1 计算次梯度
14.2.2 利普希茨函数的次梯度
14.2.3 次梯度下降
14.3 随机梯度下降
14.4 SGD的变型
14.4.1 增加一个投影步
14.4.2 变步长
14.4.3 其他平均技巧
14.4.4 强凸函数
14.5 用SGD进行学习
14.5.1 SGD求解风险极小化
14.5.2 SGD求解凸光滑学习问题的分析
14.5.3 SGD求解正则化损失极小化
14.6 小结
14.7 文献评注
14.8 练习
第15章 支持向量机
15.1 间隔与硬SVM
15.1.1 齐次情况
15.1.2 硬SVM的样本复杂度
15.2 软SVM与范数正则化
15.2.1 软SVM的样本复杂度
15.2.2 间隔、基于范数的界与维度
15.2.3 斜坡损失
15.3 最优化条件与“支持向量”
15.4 对偶
15.5 用随机梯度下降法实现软SVM
15.6 小结
15.7 文献评注
15.8 练习
第16章 核方法
16.1 特征空间映射
16.2 核技巧
16.2.1 核作为表达先验的一种形式
16.2.2 核函数的特征
16.3 软SVM应用核方法
16.4 小结
16.5 文献评注
16.6 练习
第17章 多分类、排序与复杂预测问题
17.1 一对多和一对一
17.2 线性多分类预测
17.2.1 如何构建Ψ
17.2.2 对损失敏感的分类
17.2.3 经验风险最小化
17.2.4 泛化合页损失
17.2.5 多分类SVM和SGD
17.3 结构化输出预测
17.4 排序
17.5 二分排序以及多变量性能测量
17.6 小结
17.7 文献评注
17.8 练习
第18章 决策树
18.1 采样复杂度
18.2 决策树算法
18.2.1 增益测量的实现方式
18.2.2 剪枝
18.2.3 实值特征基于阈值的拆分规则
18.3 随机森林
18.4 小结
18.5 文献评注
18.6 练习
第19章 最近邻
19.1 k近邻法
19.2 分析
19.2.1 1-NN准则的泛化界
19.2.2 “维数灾难”
19.3 效率实施
19.4 小结
19.5 文献评注
19.6 练习
第20章 神经元网络
20.1 前馈神经网络
20.2 神经网络学习
20.3 神经网络的表达力
20.4 神经网络样本复杂度
20.5 学习神经网络的运行时
20.6 SGD和反向传播
20.7 小结
20.8 文献评注
20.9 练习
第三部分 其他学习模型
第21章 在线学习
21.1 可实现情况下的在线分类
21.2 不可实现情况下的在线识别
21.3 在线凸优化
21.4 在线感知器算法
21.5 小结
21.6 文献评注
21.7 练习
第22章 聚类
22.1 基于链接的聚类算法
22.2 k均值算法和其他代价最小聚类
22.3 谱聚类
22.3.1 图割
22.3.2 图拉普拉斯与松弛图割算法
22.3.3 非归一化的谱聚类
22.4 信息瓶颈
22.5 聚类的进阶观点
22.6 小结
22.7 文献评注
22.8 练习
第23章 维度约简
23.1 主成分分析
23.1.1 当d>>m时一种更加有效的求解方法
23.1.2 应用与说明
23.2 随机投影
23.3 压缩感知
23.4 PCA还是压缩感知
23.5 小结
23.6 文献评注
23.7 练习
第24章 生成模型
24.1 极大似然估计
24.1.1 连续随机变量的极大似然估计
24.1.2 极大似然与经验风险最小化
24.1.3 泛化分析
24.2 朴素贝叶斯
24.3 线性判别分析
24.4 隐变量与EM算法
24.4.1 EM是交替最大化算法
24.4.2 混合高斯模型参数估计的EM算法
24.5 贝叶斯推理
24.6 小结
24.7 文献评注
24.8 练习
第25章 特征选择与特征生成
25.1 特征选择
25.1.1 滤波器
25.1.2 贪婪选择方法
25.1.3 稀疏诱导范数
25.2 特征操作和归一化
25.3 特征学习
25.4 小结
25.5 文献评注
25.6 练习
第四部分 高级理论
第26章 拉德马赫复杂度
26.1 拉德马赫复杂度概述
26.2 线性类的拉德马赫复杂度
26.3 SVM的泛化误差界
26.4 低e?范数预测器的泛化误差界
26.5 文献评注
第27章 覆盖数
27.1 覆盖
27.2 通过链式反应从覆盖到拉德马赫复杂度
27.3 文献评注
第28章 学习理论基本定理的证明
28.1 不可知情况的上界
28.2 不可知情况的下界
28.2.1 证明m(ε,δ)≥0.5log(1/(4δ))/ε2
28.2.2 证明m(ε,1/8)≥8d/ε2
28.3 可实现情况的上界
第29章 多分类可学习性
29.1 纳塔拉詹维
29.2 多分类基本定理
29.3 计算纳塔拉詹维
29.3.1 基于类的一对多
29.3.2 一般的多分类到二分类约简
29.3.3 线性多分类预测器
29.4 好的与坏的ERM
29.5 文献评注
29.6 练习
第30章 压缩界
30.1 压缩界概述
30.2 例子
30.2.1 平行于轴的矩形
30.2.2 半空间
30.2.3 可分多项式
30.2.4 间隔可分的情况
30.3 文献评注
第31章 PAC-贝叶斯
31.1 PAC-贝叶斯界
31.2 文献评注
31.3 练习
附录A 技术性引理
附录B 测度集中度
附录C 线性代数
参考文献
索引
🐢 Descargas lentas
Las descargas gratuitas ilimitadas son accesibles a través de nuestra lista de espera, un sistema diseñado para dar a todos un acceso justo.
- PDF: Descargar Leer
🚀 Descargas rápidas
🚀 Descargas rápidas Conviértete en miembro para apoyar la preservación a largo plazo de libros, artículos y más. Para mostrar nuestra gratitud por tu apoyo obtienes descargas rápidas. ❤️
- PDF: Descargar Leer
-
Necesitará un lector de ebooks o PDF para abrir el archivo, dependiendo del formato del archivo.
Lectores de ebooks recomendados: ReadEra y Calibre -
Utilice herramientas en línea para convertir entre formatos.
Herramientas de conversión recomendadas: CloudConvert -
Puede enviar archivos PDF y EPUB a su Kindle o Kobo eReader.
Herramientas recomendadas: “Enviar a Kindle” de Amazon y “Enviar a Kobo/Kindle” de djazz
GitHub入门与实践
本书从Git的基本知识和操作方法入手,详细介绍了GitHub的各种功能,GitHub与其他工具或服务的协作,使用GitHub的开发流程以及如何将GitHub引入到企业中。在讲解GitHub的代表功能Pull Request时,本书专门搭建了供各位读者实践的仓库,邀请各位读者进行Pull Request并共同维护。
深度学习 /Shen du xue xi
伊恩·古德费洛 (Ian Goodfellow), 约书亚·本吉奥 (Yoshua Bengio), 亚伦·库维尔 (Aaron Courville)
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材。全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。
现代操作系统 = Modern operating systems Xian dai cao zuo xi tong = Modern operating systems
Andrew S Tanenbaum; Herbert Bos; Xiangqun Chen; Hongbing Ma
Andrew S. Tanenbaum教授编写的教材《现代操作系统》现在已经是第4版了。第4版在保持原有特色的基础上,又增添了许多新的内容,反映了当代操作系统的发展与动向,并不断地与时俱进。 对比第3版,第4版有很多变化。一些是教材中多处可见的细微变化,一些是就某一功能或机制增加了对最新技术的介绍,如增加了futex同步原语、读–复制–更新(Read-Copy-Update)机制以及6级RAID的内容。另外一些则是重大变化,例如:用Windows 8替换了Vista的内容;用相当大的篇幅介绍了移动终端应用最广泛、发展最快的Android,以替换原来Symbian的内容;增加了新的一章,介绍目前最流行的虚拟化和云技术,其中还包括典型案例VMware。很多章节在内容安排上也有较大的改动,例如:第8章对多处理机系统的内容进行了大幅更新;第9章对安全的内容进行了大量修改和重新组织,增加了对缺陷代码、恶意软件进行探查和防御的新内容,对于空指针引用和缓冲区溢出等攻击行为提出了更详细的应对方法,并从攻击路径入手,详细论述了包含金丝雀(canary)保护、不执行(NX)位以及地址空间随机化在内的防御机制。最后的参考文献也进行了更新,收录了本书第3版推出后发表的新论文。大部分章节最后的相关研究部分都完全重写了,以反映最新的操作系统研究成果。 本教材还增添了一名合著者—来自阿姆斯特丹自由大学的 Herbert Bos教授,他是一名全方位的系统专家,尤其擅长安全和UNIX方面。 Tanenbaum教授的教材还有一个特点,就是丰富的、引发思考的习题。所有章节后面都附有大量的习题,完成这些习题很不容易,需要花费很长时间,在深入理解操作系统精髓的基础上才能作答。这些习题很灵活,并且与实际系统相结合,既考核对基本概念、工作原理的理解,又考核实际动手能力。 Tanenbaum教授的教材是需要细细阅读的,字里行间体现了他对设计与实现操作系统的各种技术的深入思考。正因为Tanenbaum教授自己设计开发了一个小型、真实的操作系统MINIX,所以通过他在教材中的讲述,读者可以了解实现操作系统时应该考虑哪些问题、注重哪些细节。
深入理解计算机系统 = Computer systems : a programmer's perspective
本书从程序员的视角详细阐述计算机系统的本质概念,并展示这些概念如何实实在在地影响应用程序的正确性、性能和实用性。全书共12章,主要内容包括信息的表示和处理、程序的机器级表示、处理器体系结构、优化程序性能、存储器层次结构、链接、异常控制流、虚拟存储器、系统级I/O、网络编程、并发编程等。书中提供大量的例子和练习,并给出部分答案,有助于读者加深对正文所述概念和知识的理解。 本书的最大优点是为程序员描述计算机系统的实现细节,帮助其在大脑中构造一个层次型的计算机系统,从最底层的数据在内存中的表示到流水线指令的构成,到虚拟存储器,到编译系统,到动态加载库,到最后的用户态应用。通过掌握程序是如何映射到系统上,以及程序是如何执行的,读者能够更好地理解程序的行为为什么是这样的,以及效率低下是如何造成的。 本书适合那些想要写出更快、更可靠程序的程序员阅读,也适合作为高等院校计算机及相关专业本科生、研究生的教材。
美团机器学习实践
Ben shu bao kuo tong yong liu cheng,Shu ju wa jue,Sou suo he tui jian,Ji suan guang gao,Shen du xue xi yi ji suan fa gong cheng 6 da bu fen nei rong,Quan mian jie shao le mei tuan zai duo ge zhong yao fang mian dui ji qi xue xi de ying yong
机器学习实战 = Machine Learning in Action
[美]peter Harrington 李锐，李鹏，曲亚东，等
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。 本书第一部分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、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例,切入日常工作任务,摒弃学术化语言,利用高效的可复用Python代码来阐释如何处理统计数据,进行数据分析及可视化。通过各种实例,读者可从中学会机器学习的核心算法,并能将其运用于一些策略性任务中,如分类、预测、推荐。另外,还可用它们来实现一些更高级的功能,如汇总和简化等。
动手学深度学习 = Dive into deep learning
阿斯顿·张(Aston Zhang), 李沐(Mu Li), [美] 扎卡里·c. 立顿(Zachary C. Lipton), [德] 亚历山大·j. 斯莫拉(Alexander J. Smola)
本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理,还演示它们的实现和运行。与传统图书不同,本书的每一节都是一个可以下载并运行的 Jupyter记事本,它将文字、公式、图像、代码和运行结果结合在了一起。此外,读者还可以访问并参与书中内容的讨论。全书的内容分为3个部分:第一部分介绍深度学习的背景,提供预备知识,并包括深度学习最基础的概念和技术;第二部分描述深度学习计算的重要组成部分,还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络;第三部分评价优化算法,检验影响深度学习计算性能的重要因素,并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践,主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。
Python 深度学习 = Deep learning with Python
本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦 • 肖莱(François Chollet)执笔,详尽介 绍了用 Python 和 Keras 进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。 书中包含 30 多个代码示例,步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化,读者无须 具备机器学习相关背景知识即可展开阅读。在学习完本书后,读者将具备搭建自己的深度学习环境、建立 图像识别模型、生成图像和文字等能力。本书适合从事大数据及机器学习领域工作,并对深度学习感兴趣的各类读者。
深度学习入门 : 基于Python的理论与实现 = Deep learning from Scratch Shen du xue xi ru men : Ji yu Python de li lun yu shi xian = Deep learning from Scratch
本书是深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识,对误差反向传播法、卷积神经网络等也有深入讲解,此外还介绍了深度学习相关的实用技巧,自动驾驶、图像生成、强化学习等方面的应用,以及为什么加深层可以提高识别精度等“为什么”的问题。
机器学习 = Machine learning
机器学习是计算机科学与人工智能的重要分支领域。本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。 全书共16章,大致分为3个部分:第1部分(第1~3章)介绍机器学习的基础知识;第2部分(第4~10章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3部分(第11~16章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。前3章之外的后... 机器学习是计算机科学与人工智能的重要分支领域。本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。 全书共16章,大致分为3个部分:第1部分(第1~3章)介绍机器学习的基础知识;第2部分(第4~10章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3部分(第11~16章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。前3章之外的后续各章均相对独立,读者可根据自己的兴趣和时间情况选择使用。根据课时情况,一个学期的本科生课程可考虑讲授前9章或前10章;研究生课程则不妨使用全书。 书中除第1章外,每章都给出了十道习题。有的习题是帮助读者巩固本章学习,有的是为了引导读者扩展相关知识。一学期的一般课程可使用这些习题,再辅以两到三个针对具体数据集的大作业。带星号的习题则有相当难度,有些并无现成答案,谨供富有进取心的读者启发思考。 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
算法图解 : 像小说一样有趣的算法入门书
(美)巴尔加瓦(Aditya Bhargava)著, 袁国忠译
书签已装载, 书签制作方法请找 [email protected] 完全免费 本书示例丰富,图文并茂,以让人容易理解的方式阐释了算法,旨在帮助程序员在日常项目中更好地发挥算法的能量。书中的前三章将帮助你打下基础,带你学习二分查找、大O表示法、两种基本的数据结构以及递归等。余下的篇幅将主要介绍应用广泛的算法,具体内容包括:面对具体问题时的解决技巧,比如,何时采用贪婪算法或动态规划;散列表的应用;图算法;K最近邻算法。
利用Python进行数据分析 原书第2版
本书由Python pandas项目创始人Wes McKinney亲笔撰写,详细介绍利用Python进行操作、处理、清洗和规整数据等方面的具体细节和基本要点。第2版针对Python 3.6进行全面修订和更新,涵盖新版的pandas、NumPy、IPython和Jupyter,并增加大量实际案例,可以帮助你高效解决一系列数据分析问题。 第2版中的主要更新包括: • 所有的代码,包括把Python的教程更新到了Python 3.6版本(第1版中使用的是Python 2.7) • 更新了Python第三方发布版Anaconda和其他所需Python包的安装指引 • 更新pandas库到2017年的新版 • 新增一章,关于更多高级pandas工具和一些使用提示 • 新增statsmodels和scikit-learn的简明使用介绍
TCP/IP详解 卷1:协议(原书第2版): 卷1:协议(原书第2版)
凯文 R. 福尔 (Kevin R. Fall), W. 理查德·史蒂文斯 (W. Richard Stevens)
已故专家W. Richard Stevens的《TCP/IP详解》是一部经典之作!第1版自1994年出版以来深受读者欢迎,但其内容有些已经陈旧,而且没有涉及IPv6。现在,这部世界领先的TCP/IP畅销书已由网络顶级专家Kevin R. Fall博士彻底更新,反映了新一代基于TCP/IP的网络技术。本书主要讲述TCP/IP协议,展示每种协议的实际工作原理的同时还解释了其来龙去脉,新增了RPC、访问控制、身份认证、隐私保护、NFS、SMB/CIFS、DHCP、NAT、防火墙、电子邮件、Web、Web服务、无线、无线安全等内容,每章最后还描述了针对协议的攻击方法,帮助读者轻松掌握领域知识。本书内容丰富、概念清晰、论述详尽,适合任何希望理解TCP/IP协议实现的人阅读,更是TCP/IP领域研究人员和开发人员的权威参考书。无论是初学者还是功底深厚的网络领域高手,本书都是案头必备。
算法导论(原书第3版)
Thomas H.cormen Charles E.leiserson Ronald L.rivest Clifford Stein 殷建平 徐云 王刚
本书介绍了计算机算法, 内容涵盖了基础知识, 排序和顺序统计量, 数据结构, 高级设计和分析技术, 高级数据结构, 图算法, 算法问题选编, 以及数学基础知识
数据结构与算法图解 = A common-sense guide to data structures and algorithms
本书是数据结构与算法的入门指南,不局限于某种特定语言,略过复杂的数学公式,用通俗易懂的方式针对编程初学者介绍数据结构与算法的基本概念,培养读者编程逻辑。主要内容包括:为什么要了解数据结构与算法,大O表示法及其代码优化利用,栈、队列等的合理使用,等等。
机器学习基础教程 = A first course in machine learning
(英)simon Rogers,; Mark Girolami
书签已装载, 书签制作方法请找 [email protected] 完全免费 本书是一本机器学习入门教程,包含了数学和统计学的核心技术,用于帮助理解一些常用的机器学习算法。书中展示的算法涵盖了机器学习的各个重要领域:分类、聚类和投影。本书对一小部分算法进行了详细描述和推导,而不是简单地将大量算法罗列出来。 本书通过大量的MATLAB/Octave脚本将算法和概念由抽象的等式转化为解决实际问题的工具,利用它们读者可以重新绘制书中的插图,并研究如何改变模型说明和参数取值。 本书特色 介绍机器学习技术及应用的主要算法和思想。 为读者进一步探索机器学习领域中的特定方向提供起点。 不需要太多的数学知识,穿插在文中的注解框提供相应的数学解释。 每章末均包含练习。
数据挖掘:实用机器学习工具与技术(原书第3版)
书签已装载, 书签制作方法请找 [email protected] 完全免费 大数据时代应用机器学习方法解决数据挖掘问题的实用指南。 洞察隐匿于大数据中的结构模式,有效指导数据挖掘实践和商业应用。 weka系统的主要开发者将丰富的研发、商业应用和教学实践的经验和技术融会贯通。 广泛覆盖在数据挖掘实践中采用的算法和机器学习技术,着眼于解决实际问题 避免过分要求理论基础和数学知识,重点在于告诉读者“如何去做”,同时包括许多算法、代码以及具体实例的实现。 将所有的概念都建立在具体实例的基础之上,促使读者首先考虑使用简单的技术。如果简单的技术不足以解决问题,再考虑提升到更为复杂的高级技术。 新版增加了大量近年来最新涌现的数据挖掘算法和诸如Web数据挖掘等新领域的介绍,所介绍的weka系统增加了50%的算法及大量新内容。 本书是机器学习和数据挖掘领域的经典畅销教材,被众多国外名校选为教材。书中详细介绍用于数据挖掘领域的机器学习技术和工具以及实践方法,并且提供了一个公开的数据挖掘工作平台Weka。本书主要内容包括:数据输入/输出、知识表示、数据挖掘技术(决策树、关联规则、基于实例的学习、线性模型、聚类、多实例学习等)以及在实践中的运用。本版对上一版内容进行了全面更新,以反映自第2版出版以来数据挖掘领域的技术变革和新方法,包括数据转换、集成学习、大规模数据集、多实例学习等,以及新版的Weka机器学习软件。
机器学习导论(原书第3版)
书签已装载, 书签制作方法请找 [email protected] 完全免费 机器学习的目标是对计算机编程,以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用,包括分析以往销售数据来预测客户行为,优化机器人的行为以便使用较少的资源来完成任务,以及从生物信息数据中提取知识的各种系统。本书是关于机器学习的内容全面的教科书,其中有些内容在一般的在机器学习导论书中很少介绍。主要内容包括监督学习,贝叶斯决策理论,参数、半参数和非参数方法,多元分析,隐马尔可夫模型,增强学习,核机器,图模型,贝叶斯估计和统计检验。 机器学习正在迅速成为计算机科学专业的学生必须掌握的一门技能。本书第3版反映了这种变化,增加了对初学者的支持,包括给出了部分习题的参考答案和补充了实例数据集(提供在线代码)。其他显著的变化包括离群点检测的讨论、感知器和支持向量机的排名算法、矩阵分解和谱方法、距离估计、新的核算法、多层感知器的深度学习和非参数贝叶斯方法。书中对所有学习算法都进行了解释,以便读者可以很容易地将书中的公式转变为计算机程序。本书可以用作高年级本科生和硕士研究生的教材,也可供研究机器学习方法的技术人员参考。
深度学习的数学 successbooks 9787115509345
本书介绍了深度学习相关的数学知识.第1章介绍神经网络的概况;第2章介绍理解神经网络所需的数学基础知识;第3章介绍神经网络的最优化;第4章介绍神经网络和误差反向传播法;第5章介绍深度学习和卷积神经网络.