- 博客(0)
- 资源 (45)
- 收藏
- 关注
RSS订阅Scikit-Learn与TensorFlow机器学习实用指南.pdf
Scikit-Learn与TensorFlow机器学习实用指南，人工智能nlp方向必读书籍，BAT算法工程师极力推荐！
2019-07-03
百面机器学习 算法工程师带你去面试.pdf
通往机器学习算法工程师的进阶之路是崎岖险阻的。《线性代数》 《统计学习方法》《机器学习》《模式识别》《深度学习》，以及《颈椎病康复指南》，这些书籍将长久地伴随着你的工作生涯。
2019-07-03
Python深度学习.pdf
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。
2019-07-03
Advanced Machine Learning with Python.pdf
高清版Advanced Machine Learning with Python.pdf，人工智能nlp方向必读书籍，BAT算法工程师极力推荐！
2019-07-03
推荐系统实践.pdf
本书通过大量代码和图表全面系统地阐述了和推荐系统有关的理论基础，介绍了评价推荐系统优劣的各种标准（比如覆盖率、满意度）和方法（比如 AB 测试），总结了当今互联网领域中各种和推荐有关的产品和服务。另外，本书为有兴趣开发推荐系统的读者给出了设计和实现推荐系统的方法与技巧，并解答了在真实场景中应用推荐技术时最常遇到的一些问题。
2019-07-03
深度学习500问-第二章 机器学习基础.pdf
机器学习涉及的知识非常的多，作者在这里为大家讲解了常见的算法及它们各自的优缺点，如何根据数据类型来选择模型，如何选择函数，以及不同方法（如：降维方法 LDA、PCA）的优缺点。
2019-07-19
深度学习500问-第一章 数学基础.pdf
这部分内容可能和大家以往看到的数学理论知识书籍不太一样，这里作者并没有讲解那些知识点，而是帮大家总结整理了知识点间的关系，比如：张量与矩阵的区别，奇异值与特征值的关系，常见概率分布（涵盖12 种分布；通过分析每种分布的密度函数、数学期望、方差、特征函数等方面进行对比）等等。
2019-07-15
条件随机场.pdf
条件随机域（conditional random fields，简称 CRF，或CRFs），是一种鉴别式机率模型，是随机场的一种，常用于标注或分析序列资料，如自然语言文字或是生物序列。
2019-07-12
隐马尔科夫模型.pdf
隐马尔可夫模型是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。
2019-07-12
支持向量机.pdf
在机器学习中，支持向量机（英语：support vector machine，常简称为SVM，又名支持向量网络）是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。
2019-07-11
Logistic回归.pdf
logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于他们的因变量不同，其他的基本都差不多，正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalized linear model）。这一家族中的模型形式基本上都差不多，不同的就是因变量不同，如果是连续的，就是多重线性回归，如果是二项分布，就是logistic回归，如果是poisson分布，就是poisson回归，如果是负二项分布，就是负二项回归，等等。只要注意区分它们的因变量就可以了。
2019-07-11
决策树.pdf
它利用了概率论的原理，并且利用一种树形图作为分析工具。其基本原理是用决策点代表决策问题，用方案分枝代表可供选择的方案，用概率分枝代表方案可能出现的各种结果，经过对各种方案在各种结果条件下损益值的计算比较，为决策者提供决策依据。
2019-07-11
朴素贝叶斯法.pdf
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法[1]。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。
2019-07-11
Building Machine Learning Systems with Python.pdf
All rights reserved. No part of this book may be reproduced, stored in a retrieval system, or transmitted in any form or by any means, without the prior written permission of the publisher, except in the case of brief quotations embedded in critical articles or reviews.
2019-07-09
PRML中文版-模式识别与机器学习.pdf
寻找数据中模式的问题是⼀个基本的问题，有着很长的很成功的历史。例如，16世纪Tycho Brahe的⼤量的观测使得Johannes Kepler发现⾏星运⾏的经验性规律，这反过来给经典⼒学的发展提供了跳板。类似地，原⼦光谱的规律的发现在20世纪初期对于量⼦⼒学的发展和证明有着重要的作⽤。模式识别领域关注的是利⽤计算机算法⾃动发现数据中的规律，以及使⽤这些规律采取将数据分类等
2019-07-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人