pdf
《人工智能简史》 标签：人工智能
积分：2
类型：技术文档 上传者：太白金星 上传时间：2020-09-29 简介：本书全面讲述人工智能的发展史，几乎覆盖人工智能学科的所有领域，包括人工智能的起源。、自动定理证明、专家系统、神经网络、自然语言处理、遗传算法、深度学习、强化学习、超级智能、哲学问题和未来趋势等，以宏阔的视野和生动的语言，对人工智能进行了全面回顾和深度点评。
pdf
智能的本质：人工智能与机器人领域的64个大问题 标签：人工智能
积分：2
类型：技术文档 上传者：太白金星 上传时间：2020-09-29 简介：在书中，作者从常识出发，对人工智能和机器人表达了很多“令人惊讶”而又让人深思的观点。
如果机器可以打造一个更美好的世界，这个世界为什么还需要我们？
深度学习是学习人类做过（过去时）的事情的技术。
在陪伴老年人方面，迄今为止先进的机器人都不如狗做得好。
永生终将成为一种待价而沽或是可租可借的服务，就像目前的云计算服务一样。
当我们研究如何创建智能机器时，我们指的是真正的“智能”还是“以愚蠢的方式服务于人类的智能”？
机器人类化的计划尚未成功，而人类的机器化则成果斐然。
世界上还没有能创造另一个更高级机器的机器，是我们创造了更好的机器。
有两种方式可以实现图灵测试：第一种，使机器变得像人一样聪明; 第二种，使人变得像机器一样愚蠢。
……
这是一本人人都可以看懂，并一起思考机器智能与自身生活关系的科普读物。
pdf
人工智能：现代方法（第4版） 标签：人工智能
积分：2
类型：技术文档 上传者：抛砖引玉 上传时间：2024-01-28 简介：本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。本书适合作为高等院校人工智能相关专业本科生和研究生的教材，也可以作为相关领域专业人员的参考书。
版权信息免费
版 权免费
内 容 提 要免费
版权声明免费
对本书的赞誉免费
序免费
方法不止，智能无疆免费
唯思想永恒免费
中文版致谢免费
前 言免费
作者简介免费
资源与服务免费
第一部分 人工智能基础免费
第1章 绪论免费
第2章 智能体免费
第二部分 问题求解
第3章 通过搜索进行问题求解
第4章 复杂环境中的搜索
第5章 对抗搜索和博弈
第6章 约束满足问题
第三部分 知识、推理和规划
第7章 逻辑智能体
第8章 一阶逻辑
第9章 一阶逻辑中的推断
第10章 知识表示
第11章 自动规划
第四部分 不确定知识和不确定推理
第12章 不确定性的量化
第13章 概率推理
第14章 时间上的概率推理
第15章 概率编程
第16章 做简单决策
第17章 做复杂决策
第18章 多智能体决策
第五部分 机器学习
第19章 样例学习
第20章 概率模型学习
第21章 深度学习
第22章 强化学习
第六部分 沟通、感知和行动
第23章 自然语言处理
第24章 自然语言处理中的深度学习
第25章 计算机视觉
第26章 机器人学
第七部分 总结
第27章 人工智能的哲学、伦理和安全性
第28章 人工智能的未来
附录A 数学背景知识
附录B 关于语言与算法的说明
参考文献
索 引
pdf
机器学习基础_梅尔亚·莫里 标签：机器学习
积分：2
类型：技术文档 上传者：sigma 上传时间：2024-07-04 简介：本书从概率近似正确（PAC）理论出发探讨机器学习的基础理论与典型算法，包括PAC学习框架、VC-维、支持向量机、核方法、在线学习、多分类、排序、回归、降维、强化学习等丰富的内容。此外，附录部分简要回顾了与机器学习密切相关的概率论、凸优化、矩阵以及范数等必要的预备知识。
本书重在介绍典型算法的理论支撑并指出算法在实际应用中的关键点，注重理论细节与证明过程，可作为高等院校机器学习、统计学等课程的教材，或作为相关领域研究人员的参考读物。
pdf
Python机器学习实践指南_艾伯特 标签：机器学习 Python
积分：2
类型：技术文档 上传者：jujuyaya222 上传时间：2018-11-07 简介：机器学习是近年来渐趋热门的一个领域，同时 Python 语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和 Python 语言两个热门的领域，通过易于理解的项目详细讲述了如何构建真实的机器学习应用程序。全书共有 10 章。第 1 章讲解了 Python 机器学习的生态系统，剩余 9 章介绍了众多与机器学习相关的算法，包括聚类算法、推荐引擎等，主要包括机器学习在公寓、机票、IPO市场、新闻源、内容推广、股票市场、图像、聊天机器人和推荐引擎等方面的应用。本书适合 Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读。
pdf
机器学习实战 (Peter Harrington) 标签：机器学习
积分：2
类型：技术文档 上传者：抛砖引玉 上传时间：2023-06-29 简介：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。
目 录
第一部分 分类
第1章 机器学习基础 2
1.1 何谓机器学习 3
1.1.1 传感器和海量数据 4
1.1.2 机器学习非常重要 5
1.2 关键术语 5
1.3 机器学习的主要任务 7
1.4 如何选择合适的算法 8
1.5 开发机器学习应用程序的步骤 9
1.6 Python语言的优势 10
1.6.1 可执行伪代码 10
1.6.2 Python比较流行 10
1.6.3 Python语言的特色 11
1.6.4 Python语言的缺点 11
1.7 NumPy函数库基础 12
1.8 本章小结 13
第2章 k-近邻算法 15
2.1 k-近邻算法概述 15
2.1.1 准备：使用Python导入数据 17
2.1.2 从文本文件中解析数据 19
2.1.3 如何测试分类器 20
2.2 示例：使用k-近邻算法改进约会网站的配对效果 20
2.2.1 准备数据：从文本文件中解析数据 21
2.2.2 分析数据：使用Matplotlib创建散点图 23
2.2.3 准备数据：归一化数值 25
2.2.4 测试算法：作为完整程序验证分类器 26
2.2.5 使用算法：构建完整可用系统 27
2.3 示例：手写识别系统 28
2.3.1 准备数据：将图像转换为测试向量 29
2.3.2 测试算法：使用k-近邻算法识别手写数字 30
2.4 本章小结 31
第3章 决策树 32
3.1 决策树的构造 33
3.1.1 信息增益 35
3.1.2 划分数据集 37
3.1.3 递归构建决策树 39
3.2 在Python中使用Matplotlib注解绘制树形图 42
3.2.1 Matplotlib注解 43
3.2.2 构造注解树 44
3.3 测试和存储分类器 48
3.3.1 测试算法：使用决策树执行分类 49
3.3.2 使用算法：决策树的存储 50
3.4 示例：使用决策树预测隐形眼镜类型 50
3.5 本章小结 52
第4章 基于概率论的分类方法：朴素贝叶斯 53
4.1 基于贝叶斯决策理论的分类方法 53
4.2 条件概率 55
4.3 使用条件概率来分类 56
4.4 使用朴素贝叶斯进行文档分类 57
4.5 使用Python进行文本分类 58
4.5.1 准备数据：从文本中构建词向量 58
4.5.2 训练算法：从词向量计算概率 60
4.5.3 测试算法：根据现实情况修改分类器 62
4.5.4 准备数据：文档词袋模型 64
4.6 示例：使用朴素贝叶斯过滤垃圾邮件 64
4.6.1 准备数据：切分文本 65
4.6.2 测试算法：使用朴素贝叶斯进行交叉验证 66
4.7 示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向 68
4.7.1 收集数据：导入RSS源 68
4.7.2 分析数据：显示地域相关的用词 71
4.8 本章小结 72
第5章 Logistic回归 73
5.1 基于Logistic回归和Sigmoid函数的分类 74
5.2 基于最优化方法的最佳回归系数确定 75
5.2.1 梯度上升法 75
5.2.2 训练算法：使用梯度上升找到最佳参数 77
5.2.3 分析数据：画出决策边界 79
5.2.4 训练算法：随机梯度上升 80
5.3 示例：从疝气病症预测病马的死亡率 85
5.3.1 准备数据：处理数据中的缺失值 85
5.3.2 测试算法：用Logistic回归进行分类 86
5.4 本章小结 88
第6章 支持向量机 89
6.1 基于最大间隔分隔数据 89
6.2 寻找最大间隔 91
6.2.1 分类器求解的优化问题 92
6.2.2 SVM应用的一般框架 93
6.3 SMO高效优化算法 94
6.3.1 Platt的SMO算法 94
6.3.2 应用简化版SMO算法处理小规模数据集 94
6.4 利用完整Platt SMO算法加速优化 99
6.5 在复杂数据上应用核函数 105
6.5.1 利用核函数将数据映射到高维空间 106
6.5.2 径向基核函数 106
6.5.3 在测试中使用核函数 108
6.6 示例：手写识别问题回顾 111
6.7 本章小结 113
第7章 利用AdaBoost元算法提高分类
性能 115
7.1 基于数据集多重抽样的分类器 115
7.1.1 bagging：基于数据随机重抽样的分类器构建方法 116
7.1.2 boosting 116
7.2 训练算法：基于错误提升分类器的性能 117
7.3 基于单层决策树构建弱分类器 118
7.4 完整AdaBoost算法的实现 122
7.5 测试算法：基于AdaBoost的分类 124
7.6 示例：在一个难数据集上应用AdaBoost 125
7.7 非均衡分类问题 127
7.7.1 其他分类性能度量指标：正确率、召回率及ROC曲线 128
7.7.2 基于代价函数的分类器决策控制 131
7.7.3 处理非均衡问题的数据抽样方法 132
7.8 本章小结 132
第二部分 利用回归预测数值型数据
第8章 预测数值型数据：回归 136
8.1 用线性回归找到最佳拟合直线 136
8.2 局部加权线性回归 141
8.3 示例：预测鲍鱼的年龄 145
8.4 缩减系数来“理解”数据 146
8.4.1 岭回归 146
8.4.2 lasso 148
8.4.3 前向逐步回归 149
8.5 权衡偏差与方差 152
8.6 示例：预测乐高玩具套装的价格 153
8.6.1 收集数据：使用Google购物的API 153
8.6.2 训练算法：建立模型 155
8.7 本章小结 158
第9章 树回归 159
9.1 复杂数据的局部性建模 159
9.2 连续和离散型特征的树的构建 160
9.3 将CART算法用于回归 163
9.3.1 构建树 163
9.3.2 运行代码 165
9.4 树剪枝 167
9.4.1 预剪枝 167
9.4.2 后剪枝 168
9.5 模型树 170
9.6 示例：树回归与标准回归的比较 173
9.7 使用Python的Tkinter库创建GUI 176
9.7.1 用Tkinter创建GUI 177
9.7.2 集成Matplotlib和Tkinter 179
9.8 本章小结 182
第三部分 无监督学习
第10章 利用K-均值聚类算法对未标注数据分组 184
10.1 K-均值聚类算法 185
10.2 使用后处理来提高聚类性能 189
10.3 二分K-均值算法 190
10.4 示例：对地图上的点进行聚类 193
10.4.1 Yahoo! PlaceFinder API 194
10.4.2 对地理坐标进行聚类 196
10.5 本章小结 198
第11章 使用Apriori算法进行关联分析 200
11.1 关联分析 201
11.2 Apriori原理 202
11.3 使用Apriori算法来发现频繁集 204
11.3.1 生成候选项集 204
11.3.2 组织完整的Apriori算法 207
11.4 从频繁项集中挖掘关联规则 209
11.5 示例：发现国会投票中的模式 212
11.5.1 收集数据：构建美国国会投票记录的事务数据集 213
11.5.2 测试算法：基于美国国会投票记录挖掘关联规则 219
11.6 示例：发现毒蘑菇的相似特征 220
11.7 本章小结 221
第12章 使用FP-growth算法来高效发现频繁项集 223
12.1 FP树：用于编码数据集的有效方式 224
12.2 构建FP树 225
12.2.1 创建FP树的数据结构 226
12.2.2 构建FP树 227
12.3 从一棵FP树中挖掘频繁项集 231
12.3.1 抽取条件模式基 231
12.3.2 创建条件FP树 232
12.4 示例：在Twitter源中发现一些共现词 235
12.5 示例：从新闻网站点击流中挖掘 238
12.6 本章小结 239
第四部分 其他工具
第13章 利用PCA来简化数据 242
13.1 降维技术 242
13.2 PCA 243
13.2.1 移动坐标轴 243
13.2.2 在NumPy中实现PCA 246
13.3 示例：利用PCA对半导体制造数据降维 248
13.4 本章小结 251
第14章 利用SVD简化数据 252
14.1 SVD的应用 252
14.1.1 隐性语义索引 253
14.1.2 推荐系统 253
14.2 矩阵分解 254
14.3 利用Python实现SVD 255
14.4 基于协同过滤的推荐引擎 257
14.4.1 相似度计算 257
14.4.2 基于物品的相似度还是基于用户的相似度？ 260
14.4.3 推荐引擎的评价 260
14.5 示例：餐馆菜肴推荐引擎 260
14.5.1 推荐未尝过的菜肴 261
14.5.2 利用SVD提高推荐的效果 263
14.5.3 构建推荐引擎面临的挑战 265
14.6 基于SVD的图像压缩 266
14.7 本章小结 268
第15章 大数据与MapReduce 270
15.1 MapReduce：分布式计算的框架 271
15.2 Hadoop流 273
15.2.1 分布式计算均值和方差的mapper 273
15.2.2 分布式计算均值和方差的reducer 274
15.3 在Amazon网络服务上运行Hadoop程序 275
15.3.1 AWS上的可用服务 276
15.3.2 开启Amazon网络服务之旅 276
15.3.3 在EMR上运行Hadoop作业 278
15.4 MapReduce上的机器学习 282
15.5 在Python中使用mrjob来自动化MapReduce 283
15.5.1 mrjob与EMR的无缝集成 283
15.5.2 mrjob的一个MapReduce脚本剖析 284
15.6 示例：分布式SVM的Pegasos算法 286
15.6.1 Pegasos算法 287
15.6.2 训练算法：用mrjob实现MapReduce版本的SVM 288
15.7 你真的需要MapReduce吗？ 292
15.8 本章小结 292
附录A Python入门 294
附录B 线性代数 303
附录C 概率论复习 309
附录D 资源 312
索引 313
版权声明 316
pdf
机器学习实践指南：案例应用解析（第2版） 标签：机器学习、人工智能、计算机
积分：2
类型：技术文档 上传者：nkyqsl 上传时间：2018-11-07 简介：《机器学习实践指南：案例应用解析（第2版）》作者：麦好，2016年出版。
《机器学习实践指南》第2版比第1版增加了更多的案例和算法解析，全书详细介绍了机器学习发展及应用前景、科学计算平台、Python计算平台应用、R语言计算平台应用、生产环境基础、统计分析基础、描述性分析案例、假设检验与回归模型案例、神经网络、统计算法、欧氏距离与余弦相似度、SVM、回归算法、PCA降维、关联规则、聚类与分类算法、数据拟合案例、图像算法案例、机器视觉案例、文本分类案例等机器学习实践与应用。
pdf
机器学习实战：基于Scikit-Learn、Keras和TensorFlow（英文原版 第2版） 标签：机器学习
积分：2
类型：技术文档 上传者：sigma 上传时间：2024-05-30 简介：《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》（机器学习实战：基于Scikit-Learn、Keras和TensorFlow）作者是Aurélien Géron
全书分为两部分。第一部分介绍机器学习基础，涵盖以下主题：什么是机器学习，它试图解决什么问题，以及系统的主要类别和基本概念；第二部分介绍神经网络和深度学习，涵盖以下主题：什么是神经网络以及它们有什么用，使用TensorFlow和Keras构建和训练神经网络的技术，以及如何使用强化学习构建可以通过反复试错，学习好的策略的代理程序。第一部分主要基于Scikit-Learn，而第二部分则使用TensorFlow和Keras。
pdf
Deep Learning_Ian Goodfellow 标签：深度学习 Deep Learning
积分：2
类型：技术文档 上传者：toothache 上传时间：2021-02-26 简介：深度学习，《Deep Learning》，作者： Ian Goodfellow / Yoshua Bengio / Aaron Courville，2016年出版。
Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones; a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning.
pdf
深度学习入门之PyTorch by 廖星宇 标签：深度学习 pytorch
积分：2
类型：技术文档 上传者：sigma 上传时间：2022-03-12 简介：深度学习如今已经成为了科技领域最炙手可热的技术，在深度学习入门之PyTorch书中，我们将帮助你入门深度学习的领域。本书将从人工智能的介绍入手，了解机器学习和深度学习的基础理论，并学习如何用PyTorch框架对模型进行搭建。通过阅读本书，你将会学习到机器学习中的线性回归和logistic回归，深度学习的优化方法，多层全连接神经网络，卷积神经网络，循环神经网络以及生成对抗网络，同时从零开始对PyTorch进行学习，了解PyTorch基础及如何用其进行模型的搭建，最后通过实战了解最前沿的研究成果和PyTorch在实际项目中的应用。
适读人群 ：本书将理论和代码相结合，帮助读者更好地进入深度学习领域，适合任何对深度学习感兴趣的人。
目录
第1 章深度学习介绍1
第2 章深度学习框架11
第3 章多层全连接神经网络24
第4 章卷积神经网络76
第5 章循环神经网络111
第6 章生成对抗网络144
第7 章深度学习实战173
pdf
Introduction to Algorithms (3rd Edition) 标签：人工智能 算法 ECU 汽车电子
积分：2
类型：学术论文 上传者：rubyonrails 上传时间：2018-11-07 简介：Introduction to Algorithms (3rd Edition)，机器学习经典教程：算法导论 第三版英文版，有索引。作者：Thomas H. Cormen / Charles E. Leiserson / Ronald L. Rivest / Clifford Stein，2009年出版。
Some books on algorithms are rigorous but incomplete; others cover masses of material but lack rigor. Introduction to Algorithms uniquely combines rigor and comprehensiveness. The book covers a broad range of algorithms in depth, yet makes their design and analysis accessible to all levels of readers. Each chapter is relatively self-contained and can be used as a unit of study. The algorithms are described in English and in a pseudocode designed to be readable by anyone who has done a little programming. The explanations have been kept elementary without sacrificing depth of coverage or mathematical rigor.
The first edition became a widely used text in universities worldwide as well as the standard reference for professionals. The second edition featured new chapters on the role of algorithms, probabilistic analysis and randomized algorithms, and linear programming. The third edition has been revised and updated throughout. It includes two completely new chapters, on van Emde Boas trees and multithreaded algorithms, and substantial additions to the chapter on recurrences (now called "Divide-and-Conquer"). It features improved treatment of dynamic programming and greedy algorithms and a new notion of edge-based flow in the material on flow networks. Many new exercises and problems have been added for this edition.
As of the third edition, this textbook is published exclusively by the MIT Press.
pdf
数学之美（第三版） 标签：人工智能 自然语言处理
积分：2
类型：技术文档 上传者：eisbergeisberg 上传时间：2023-04-09 简介：这是一本备受推崇的经典科普作品，被众多机构推荐为数学学科的敲门砖，是信息领域大学生的好书。
数学既是对于自然界事实的总结和归纳，又是抽象思考的结果。在《数学之美》里，吴军博士集中阐述了他对数学和信息处理这些专业学科的理解，把数学在IT领域，特别是语音识别、自然语言处理和信息搜索等方面的美丽之处予以了精彩表达，这些都是智能时代的热门技术话题。
本书还用了大量篇幅介绍各个领域的典故，是文科生也可以看懂的科普读物。成为一个领域的大师有其偶然性，但更有其必然性。其必然性就是大师们的思维方法。通过本书，可以了解他们的平凡与卓越，理解他们取得成功的原因，感受那些真正懂得数学之美的人们所拥有的美好人生。
pdf
统计学习方法（第2版） (李航) 标签：人工智能 机器学习
积分：2
类型：技术文档 上传者：抛砖引玉 上传时间：2022-12-13 简介：本书全面系统地介绍了统计学习的主要方法，共分两篇。第一篇系统介绍监督学习的各种重要方法，包括决策树、感知机、支持向量机、最大熵模型与逻辑斯谛回归、推进法、多类分类法、EM算法、隐马尔科夫模型和条件随机场等；第二篇介绍无监督学习，包括聚类、奇异值、主成分分析、潜在语义分析等。两篇中，除概论和总结外，每章介绍一或二种方法。
第1篇监督学习
第 1章统计学习及监督学习概论 . 3
1.1统计学习 . 3
1.2统计学习的分类 . 5
1.2.1基本分类 . 6
1.2.2按模型分类 11
1.2.3按算法分类 13
1.2.4按技巧分类 13
1.3统计学习方法三要素 15
1.3.1模型 15
1.3.2策略 16
1.3.3算法 19
1.4模型评估与模型选择 19
1.4.1训练误差与测试误差 19
1.4.2过拟合与模型选择 20
1.5正则化与交叉验证 23
1.5.1正则化 23
1.5.2交叉验证 . 24
1.6泛化能力 . 24
1.6.1泛化误差 . 24
1.6.2泛化误差上界 25
1.7生成模型与判别模型 27
1.8监督学习应用 28
1.8.1分类问题 . 28
1.8.2标注问题 . 30
1.8.3回归问题 . 32
本章概要 33
继续阅读 33
习题 33
参考文献 34
第 2章感知机 35
2.1感知机模型 35
2.2感知机学习策略 . 36
2.2.1数据集的线性可分性 36
2.2.2感知机学习策略 . 37
2.3感知机学习算法 . 38
2.3.1感知机学习算法的原始形式 38
2.3.2算法的收敛性 41 ...
2.3.3感知机学习算法的对偶形式43
本章概要46
继续阅读46
习题46
参考文献47
第3章k近邻法49
3.1k近邻算法49
3.2k近邻模型50
3.2.1模型50
3.2.2距离度量.50
3.2.3k值的选择52
3.2.4分类决策规则52
3.3k近邻法的实现：kd树.53
3.3.1构造kd树.53
3.3.2搜索kd树.55
本章概要57
继续阅读57
习题58
参考文献58
第4章朴素贝叶斯法59
4.1朴素贝叶斯法的学习与分类59
4.1.1基本方法.59
4.1.2后验概率最大化的含义.61
4.2朴素贝叶斯法的参数估计62
4.2.1极大似然估计62
4.2.2学习与分类算法.62
4.2.3贝叶斯估计64
本章概要65
继续阅读66
习题66
参考文献66
第5章决策树67
5.1决策树模型与学习67
5.1.1决策树模型67
5.1.2决策树与if-then规则.68
5.1.3决策树与条件概率分布.68
5.1.4决策树学习69
5.2特征选择.71
5.2.1特征选择问题71
5.2.2信息增益.72
5.2.3信息增益比76
5.3决策树的生成76
5.3.1ID3算法.76
5.3.2C4.5的生成算法78
5.4决策树的剪枝78
5.5CART算法.80
5.5.1CART生成.81
5.5.2CART剪枝.85
本章概要87
继续阅读88
习题89
参考文献89
第6章逻辑斯谛回归与最大熵模型91
6.1逻辑斯谛回归模型91
6.1.1逻辑斯谛分布91
6.1.2二项逻辑斯谛回归模型.92
6.1.3模型参数估计93
6.1.4多项逻辑斯谛回归94
6.2最大熵模型94
6.2.1最大熵原理94
6.2.2最大熵模型的定义96
6.2.3最大熵模型的学习98
6.2.4极大似然估计.102
6.3模型学习的最优化算法103
6.3.1改进的迭代尺度法.103
6.3.2拟牛顿法107
本章概要.108
继续阅读.109
习题.109
参考文献.109
第7章支持向量机111
7.1线性可分支持向量机与硬间隔最大化112
7.1.1线性可分支持向量机.112
7.1.2函数间隔和几何间隔.113
7.1.3间隔最大化.115
7.1.4学习的对偶算法120
7.2线性支持向量机与软间隔最大化.125
7.2.1线性支持向量机125
7.2.2学习的对偶算法127
7.2.3支持向量130
7.2.4合页损失函数.131
7.3非线性支持向量机与核函数.133
7.3.1核技巧.133
7.3.2正定核.136
7.3.3常用核函数.140
7.3.4非线性支持向量分类机141
7.4序列最小最优化算法.142
7.4.1两个变量二次规划的求解方法143
7.4.2变量的选择方法147
7.4.3SMO算法149
本章概要.149
继续阅读.152
习题.152
参考文献.153
第8章提升方法155
8.1提升方法AdaBoost算法.155
8.1.1提升方法的基本思路.155
8.1.2AdaBoost算法.156
8.1.3AdaBoost的例子158
8.2AdaBoost算法的训练误差分析160
8.3AdaBoost算法的解释.162
8.3.1前向分步算法.162
8.3.2前向分步算法与AdaBoost.164
8.4提升树.166
8.4.1提升树模型.166
8.4.2提升树算法.166
8.4.3梯度提升170
本章概要.172
继续阅读.172
习题.173
参考文献.173
第9章EM算法及其推广.175
9.1EM算法的引入175
9.1.1EM算法175
9.1.2EM算法的导出179
9.1.3EM算法在无监督学习中的应用.181
9.2EM算法的收敛性.181
9.3EM算法在高斯混合模型学习中的应用.183
9.3.1高斯混合模型.183
9.3.2高斯混合模型参数估计的EM算法.183
9.4EM算法的推广187
9.4.1F函数的极大-极大算法.187
9.4.2GEM算法189
本章概要.191
继续阅读.192
习题.192
参考文献.192
第10章隐马尔可夫模型193
10.1隐马尔可夫模型的基本概念193
10.1.1隐马尔可夫模型的定义193
10.1.2观测序列的生成过程196
10.1.3隐马尔可夫模型的3个基本问题.196
10.2概率计算算法197
10.2.1直接计算法.197
10.2.2前向算法198
10.2.3后向算法201
10.2.4一些概率与期望值的计算.202
10.3学习算法203
10.3.1监督学习方法203
10.3.2Baum-Welch算法.204
10.3.3Baum-Welch模型参数估计公式.206
10.4预测算法207
10.4.1近似算法208
10.4.2维特比算法.208
本章概要.212
继续阅读.212
习题.213
参考文献.213
第11章条件随机场215
11.1概率无向图模型215
11.1.1模型定义215
11.1.2概率无向图模型的因子分解217
11.2条件随机场的定义与形式.218
11.2.1条件随机场的定义.218
11.2.2条件随机场的参数化形式.220
11.2.3条件随机场的简化形式221
11.2.4条件随机场的矩阵形式223
11.3条件随机场的概率计算问题224
11.3.1前向-后向算法.225
11.3.2概率计算225
11.3.3期望值的计算226
11.4条件随机场的学习算法227
11.4.1改进的迭代尺度法.227
11.4.2拟牛顿法230
11.5 条件随机场的预测算法231
本章概要.235 [2]
继续阅读.235
习题.236
参考文献.236
第12章监督学习方法总结237
第2篇无监督学习
第13章无监督学习概论245
13.1无监督学习基本原理245
13.2基本问题246
13.3机器学习三要素249
13.4 无监督学习方法249
本章概要.253
继续阅读.254
参考文献.254
第14章聚类方法255
14.1聚类的基本概念255
14.1.1相似度或距离255
14.1.2类或簇258
14.1.3类与类之间的距离.260
14.2层次聚类261
14.3k均值聚类.263
14.3.1模型.263
14.3.2策略.263
14.3.3算法.264
14.3.4算法特性266
本章概要.267
继续阅读.268
习题.269
参考文献.269
第15章奇异值分解271
15.1奇异值分解的定义与性质.271
15.1.1定义与定理.271
15.1.2紧奇异值分解与截断奇异值分解.276
15.1.3几何解释279
15.1.4主要性质280
15.2奇异值分解的计算.282
15.3奇异值分解与矩阵近似286
15.3.1弗罗贝尼乌斯范数.286
15.3.2矩阵的最优近似287
15.3.3矩阵的外积展开式.290
本章概要.292
继续阅读.294
习题.294
参考文献.295
第16章主成分分析297
16.1总体主成分分析297
16.1.1基本想法297
16.1.2定义和导出.299
16.1.3主要性质301
16.1.4主成分的个数306
16.1.5规范化变量的总体主成分.309
16.2样本主成分分析310
16.2.1样本主成分的定义和性质.310
16.2.2相关矩阵的特征值分解算法312
16.2.3数据矩阵的奇异值分解算法315
本章概要.317
继续阅读.319
习题.320
参考文献.320
第17章潜在语义分析.321
17.1单词向量空间与话题向量空间321
17.1.1单词向量空间321
17.1.2话题向量空间324
17.2潜在语义分析算法.327
17.2.1矩阵奇异值分解算法327
17.2.2例子.329
17.3非负矩阵分解算法.331
17.3.1非负矩阵分解331
17.3.2潜在语义分析模型.332
17.3.3非负矩阵分解的形式化332
17.3.4算法.333
本章概要.335
继续阅读.337
习题.337
参考文献.337
第18章概率潜在语义分析339
18.1概率潜在语义分析模型339
18.1.1基本想法339
18.1.2生成模型340
18.1.3共现模型341
18.1.4模型性质342
18.2 概率潜在语义分析的算法.345
本章概要.347
继续阅读.348
习题.348
参考文献.349
第19章马尔可夫链蒙特卡罗法351
19.1蒙特卡罗法.351
19.1.1随机抽样351
19.1.2数学期望估计353
19.1.3积分计算353
19.2马尔可夫链.355
19.2.1基本定义355
19.2.2离散状态马尔可夫链356
19.2.3连续状态马尔可夫链362
19.2.4马尔可夫链的性质.363
19.3马尔可夫链蒙特卡罗法367
19.3.1基本想法367
19.3.2基本步骤369
19.3.3马尔可夫链蒙特卡罗法与统计学习369
19.4Metropolis-Hastings算法.370
19.4.1基本原理370
19.4.2Metropolis-Hastings算法.373
19.4.3单分量Metropolis-Hastings算法374
19.5吉布斯抽样.375
19.5.1基本原理376
19.5.2吉布斯抽样算法377
19.5.3抽样计算378
本章概要.379
继续阅读.381
习题.381
参考文献.383
第20章潜在狄利克雷分配385
20.1狄利克雷分布385
20.1.1分布定义385
20.1.2共轭先验389
20.2潜在狄利克雷分配模型390
20.2.1基本想法390
20.2.2模型定义391
20.2.3概率图模型.393
20.2.4随机变量序列的可交换性.394
20.2.5概率公式395
20.3LDA的吉布斯抽样算法.396
20.3.1基本想法396
20.3.2算法的主要部分397
20.3.3算法的后处理399
20.3.4算法.399
20.4LDA的变分EM算法401
20.4.1变分推理401
20.4.2变分EM算法.403
20.4.3算法推导404
20.4.4算法总结411
本章概要.411
继续阅读.413
习题.413
参考文献.413
第21章PageRank算法415
21.1PageRank的定义415
21.1.1基本想法415
21.1.2有向图和随机游走模型416
21.1.3PageRank的基本定义.418
21.1.4PageRank的一般定义.421
21.2PageRank的计算423
21.2.1迭代算法423
21.2.2幂法.425
21.2.3代数算法430
本章概要.430
继续阅读.432
习题.432
参考文献.432
第22章无监督学习方法总结.435
22.1无监督学习方法的关系和特点435
22.1.1各种方法之间的关系435
22.1.2无监督学习方法436
22.1.3基础机器学习方法.437
22.2 话题模型之间的关系和特点437
参考文献.438
附录A梯度下降法439
附录B牛顿法和拟牛顿法.441
附录C拉格朗日对偶性447
附录D矩阵的基本子空间451
附录EKL散度的定义和狄利克雷分布的性质.455
索引.457
pdf
贝叶斯方法 概率编程与贝叶斯推断 标签：贝叶斯推理 人工智能 python
积分：2
类型：技术文档 上传者：kkompp 上传时间：2023-10-07 简介：Cameron Davidson-Pilon，接触过数学在多个领域的应用——从基因和疾病的动态演化，到金融价格的随机模型。他对于开源社区主要的贡献包括这本书以及lifelines项目。Cameron成长于加拿大的安大略省圭尔夫市，而就读于滑铁卢大学以及莫斯科独立大学。如今他住在安大略省渥太华市，并在电商领军者Shopify工作。
书 名 贝叶斯方法：概率编程与贝叶斯推断
作 者 Cameron Davidson-Pilon
译 者 辛愿 / 钟黎
出版社 人民邮电出版社
出版时间 2017年1月1日
页 数 214 页 [2]
定 价 59 元
开 本 16 开
装 帧 平装
贝叶斯推理的方法非常自然和极其强大。然而，大多数图书讨论贝叶斯推理，依赖于非常复杂的数学分析和人工的例子，使没有强大数学背景的人无法接触。不过，现在好了，卡梅伦的这本书从编程、计算的角度来介绍贝叶斯推理，把贝叶斯理论和编程实践结合起来，使大多数程序员都可以入门并掌握。
本书 [1] 通过强大的Python语言库PyMC，以及相关的Python工具，包括NumPy\\SciPy\\Matplotlib讲解了概率编程。
通过本书介绍的方法，读者只需付出很少的努力，就能掌握有效的贝叶斯分析方法。
所需下载积分：
17
，
您当前积分：
0
您当前芯积分：
0
文集合计 17 份文档 ，总计 17下载积分
请使用
winRar 5.0
以上的版本，否则解压后的文件可能会有乱码！
京公网安备 11010802033920号
Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved
，
您当前积分：
评论