機器學習與優化PDF完整版 高清版 最新更新|軟件分類|軟件專題|手機版|論壇轉貼|軟件發布

您當前所在位置:首頁教程下載程序開發 → 機器學習與優化PDF完整版 高清版

機器學習與優化PDF完整版 高清版

機器學習與優化pdf下載|

機器學習與優化PDF完整版

版本

  • 軟件大小:22.2M
  • 軟件語言:中文
  • 軟件類型:國產軟件/程序開發
  • 軟件授權:免費軟件
  • 更新時間:2019-06-17 09:04
  • 軟件等級:4星
  • 應用平臺:WinXP, Win7, Win8, Win10
  • 軟件官網:

軟件介紹人氣軟件精品推薦相關文章網友評論下載地址

小編為您推薦: 機器學習與優化 機器學習 開發教程

機器學習與優化PDF完整版是專門為機器學習領域的初學者提供的輔導書籍,在這里你可以通過這本電子書,從根源學習,這里還有教你學習的方法,以及機器運行原理,更多的實戰案例剖析,歡迎有需要的用戶來IT貓撲下載!

關于機器學習與優化

本書是機器學習實戰領域的一本佳作,從機器學習的基本概念講起,旨在將初學者引入機器學習的大門,并走上實踐的道路。本書通過講解機器學習中的監督學習和無監督學習,并結合特征選擇和排序、聚類方法、文本和網頁挖掘等熱點問題,論證了“優化是力量之源”這一觀點,為機器學習在企業中的應用提供了切實可行的操作建議。

正在學習機器學習中的優化處理,感覺《機器學習與優化》寫得還是比較通俗易懂的,第七章特征選擇我需要,特征提取:相關系數,相關比,熵和互信息。。更高級的應該是文本挖掘的特征提取,比如LDA提取文本相似度或者自己給予問題需要構建特征變量。。。通過講解機器學習中的監督學習和無監督學習,并結合特征選擇和排序、聚類方法、文本和網頁挖掘等熱點問題,論證了“優化是力量之源”這一觀點,為機器學習在企業中的應用提供了切實可行的操作建議。

本書作者以及讀者群發布的數據、指導說明和教學短片都可以在本書網站上找到:https://intelligent-optimization.org/LIONbook/ 

機器學習與優化pdf下載

本書特色

如今是人工智能高歌猛進的時代,機器學習的發展也如火如荼。然而,復雜的數學公式和難解的專業術語容易令剛接觸這一領域的學習者望而生畏。有沒有這樣一本機器學習的書,能摒棄復雜的公式推導,帶領讀者通過實踐來掌握機器學習的方法?

《機器學習與優化》正是這樣一本書!它的寫作脫胎于意大利特倫托大學機器學習與智能優化實驗室(LION lab)的研究項目,語言輕松幽默,內容圖文并茂,涵蓋了機器學習中可能遇到的各方面知識。更重要的是,書中特別介紹了兩個機器學習的應用,即信息檢索和協同推薦,讓讀者在了解信息結構的同時,還能利用信息來預測相關的推薦項。

本書內容要點

應用精選——本和網頁挖掘,電影的協同推薦系統

監督學習——線性模型、決策森林、神經網絡、深度和卷積網絡、支持向量機等

無監督模型和聚類——K均值、自底而上聚類、自組織映射、譜圖繪制、半監督學習等

優化是力量之源——自動改進的局部方法、局部搜索和反饋搜索優化、合作反饋搜索優化、多目標反饋搜索優化等

機器學習與優化pdf目錄

第1章 引言 1

1.1 學習與智能優化:燎原之火 1

1.2 尋找黃金和尋找伴侶 3

1.3 需要的只是數據 5

1.4 超越傳統的商業智能 5

1.5 LION方法的實施 6

1.6 “動手”的方法 6

第2章 懶惰學習:最近鄰方法 9

第3章 學習需要方法 14

3.1 從已標記的案例中學習:最小化和泛化 16

3.2 學習、驗證、測試 18

3.3 不同類型的誤差 21

第一部分 監督學習

第4章 線性模型 26

4.1 線性回歸 27

4.2 處理非線性函數關系的技巧 28

4.3 用于分類的線性模型 29

4.4 大腦是如何工作的 30

4.5 線性模型為何普遍,為何成功 31

4.6 最小化平方誤差和 32

4.7 數值不穩定性和嶺回歸 34

第5章 廣義線性最小二乘法 37

5.1 擬合的優劣和卡方分布 38

5.2 最小二乘法與最大似然估計 42

5.2.1 假設檢驗 42

5.2.2 交叉驗證 44

5.3 置信度的自助法 44

第6章 規則、決策樹和森林 50

6.1 構造決策樹 52

6.2 民主與決策森林 56

第7章 特征排序及選擇 59

7.1 特征選擇:情境 60

7.2 相關系數 62

7.3 相關比 63

7.4 卡方檢驗拒絕統計獨立性 64

7.5 熵和互信息 64

第8章 特定非線性模型 67

8.1 logistic 回歸 67

8.2 局部加權回歸 69

8.3 用LASSO來縮小系數和選擇輸入值 72

第9章 神經網絡:多層感知器 76

9.1 多層感知器 78

9.2 通過反向傳播法學習 80

9.2.1 批量和bold driver反向傳播法 81

9.2.2 在線或隨機反向傳播 82

9.2.3 訓練多層感知器的高級優化 83

第10章 深度和卷積網絡 84

10.1 深度神經網絡 85

10.1.1 自動編碼器 86

10.1.2 隨機噪聲、屏蔽和課程 88

10.2 局部感受野和卷積網絡 89

第11章 統計學習理論和支持向量機 94

11.1 經驗風險最小化 96

11.1.1 線性可分問題 98

11.1.2 不可分問題 100

11.1.3 非線性假設 100

11.1.4 用于回歸的支持向量 101

第12章 最小二乘法和健壯內核機器 103

12.1 最小二乘支持向量機分類器 104

12.2 健壯加權最小二乘支持向量機 106

12.3 通過修剪恢復稀疏 107

12.4 算法改進:調諧QP、原始版本、無補償 108

第13章 機器學習中的民主 110

13.1 堆疊和融合 111

13.2 實例操作帶來的多樣性:裝袋法和提升法 113

13.3 特征操作帶來的多樣性 114

13.4 輸出值操作帶來的多樣性:糾錯碼 115

13.5 訓練階段隨機性帶來的多樣性 115

13.6 加性logistic回歸 115

13.7 民主有助于準確率-拒絕的折中 118

第14章 遞歸神經網絡和儲備池計算 121

14.1 遞歸神經網絡 122

14.2 能量極小化霍普菲爾德網絡 124

14.3 遞歸神經網絡和時序反向傳播 126

14.4 遞歸神經網絡儲備池學習 127

14.5 超限學習機 128

第二部分 無監督學習和聚類

第15章 自頂向下的聚類:K均值 132

15.1 無監督學習的方法 134

15.2 聚類:表示與度量 135

15.3 硬聚類或軟聚類的K均值方法 137

第16章 自底向上(凝聚)聚類 142

16.1 合并標準以及樹狀圖 142

16.2 適應點的分布距離:馬氏距離 144

16.3 附錄:聚類的可視化 146

第17章 自組織映射 149

17.1 將實體映射到原型的人工皮層 150

17.2 使用成熟的自組織映射進行分類 153

第18章 通過線性變換降維(投影) 155

18.1 線性投影 156

18.2 主成分分析 158

18.3 加權主成分分析:結合坐標和關系 160

18.4 通過比值優化進行線性判別 161

18.5 費希爾線性判別分析 163

第19章 通過非線性映射可視化圖與網絡 165

19.1 最小應力可視化 166

19.2 一維情況:譜圖繪制 168

19.3 復雜圖形分布標準 170

第20章 半監督學習 174

20.1 用部分無監督數據進行學習 175

20.1.1 低密度區域中的分離 177

20.1.2 基于圖的算法 177

20.1.3 學習度量 179

20.1.4 集成約束和度量學習 179

第三部分 優化:力量之源

第21章 自動改進的局部方法 184

21.1 優化和學習 185

21.2 基于導數技術的一維情況 186

21.2.1 導數可以由割線近似 190

21.2.2 一維最小化 191

21.3 求解高維模型(二次正定型) 191

21.3.1 梯度與最速下降法 194

21.3.2 共軛梯度法 196

21.4 高維中的非線性優化 196

21.4.1 通過線性查找的全局收斂 197

21.4.2 解決不定黑塞矩陣 198

21.4.3 與模型信賴域方法的關系 199

21.4.4 割線法 200

21.4.5 縮小差距:二階方法與線性復雜度 201

21.5 不涉及導數的技術:反饋仿射振蕩器 202

21.5.1 RAS:抽樣區域的適應性 203

21.5.2 為健壯性和多樣化所做的重復 205

第22章 局部搜索和反饋搜索優化 211

22.1 基于擾動的局部搜索 212

22.2 反饋搜索優化:搜索時學習 215

22.3 基于禁忌的反饋搜索優化 217

第23章 合作反饋搜索優化 222

23.1 局部搜索過程的智能協作 223

23.2 CoRSO:一個政治上的類比 224

23.3 CoRSO的例子:RSO與RAS合作 226

第24章 多目標反饋搜索優化 232

24.1 多目標優化和帕累托最優 233

24.2 腦-計算機優化:循環中的用戶 235

第四部分 應用精選

第25章 文本和網頁挖掘 240

25.1 網頁信息檢索與組織 241

25.1.1 爬蟲 241

25.1.2 索引 242

25.2 信息檢索與排名 244

25.2.1 從文檔到向量:向量-空間模型 245

25.2.2 相關反饋 247

25.2.3 更復雜的相似性度量 248

25.3 使用超鏈接來進行網頁排名 250

25.4 確定中心和權威:HITS 254

25.5 聚類 256

第26章 協同過濾和推薦 257

26.1 通過相似用戶結合評分 258

26.2 基于矩陣分解的模型 260

參考文獻 263

索引 269

更多>>軟件截圖

推薦軟件

其他版本下載

精品推薦

相關文章

下載地址Android版iPhone版Mac版iPad版

  • 機器學習與優化PDF完整版 高清版

查看所有評論>>網友評論

發表評論

(您的評論需要經過審核才能顯示) 網友粉絲QQ群號:203046401

查看所有0條評論>>

更多>>猜你喜歡

极速快乐十分计划软件手机版式