「本书提供许多绝佳的机器学习实用案例。有别于工具书或理论证明,本书着重于实际问题处理,因此具备程式设计背景及对机器学习有兴趣的读者们均可轻松入门。」

  • Max Shron, OkCupid

如果你是平时喜欢上网搜集各种资料的程式设计师,想寻找并学习资料分析的方法与工具,本书将会是您了解机器学习最好的起点。在Machine Learning领域中,包含各种分析问题的工具与方法,可以让我们很方便地架构出一套自动分析资料系统,使电脑可以自动分析。不过这些方法的背后,通常都蕴含着艰涩、难懂的数学理论,因而提高了学习门槛。有鉴于此,本书作者Drew Conway和John Myles准备了许多实用案例。在本书中,他们将以生动活泼的方式,使用案例导向方式,透过生活实例,带领我们一起学习这些Machine Learning工具和统计工具的实际应用。经由这些过程学习机器学习领域的核心与价值,而非传统数学导向的介绍方式。

本书采用实例导向、问题导向的介绍方式,在每一个章节中,透过实际问题,介绍机器学习典型问题与解决方法。其中包含:分类问题、预测问题、最佳化问题、推荐系统建置问题...等,在书中都会一一介绍。本书所有程式均以R语言撰写,于每个章节中将学到:如何以R语言分析资料,并撰写简易机器学习演算法。《机器学习骇客秘笈》本书,是专为机器学习领域的初学者所写的,无论是商业、政府机关或学术界...等都适用。

chapter 01使用R语言 chapter 02资料探索 chapter 03文本分类:垃圾邮件判断 chapter 04项目排序:优先收件匣 chapter 05回归分析:预测网页浏览人次 chapter 06正则化:文本回归 chapter 07最佳化:破解密码 chapter 08 PCA:建立股价指数 chapter 09 MDS:视觉化呈现美国参议员相似度 chapter 10 kNN:推荐系统 chapter 11分析社群关系图 chapter 12模型比较

成为VIP会员查看完整内容
0
31

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

“语言标注是自然语言处理的关键环节,但是它很少在计算语言学课程中被提及。这是第一本手把手讲解标注的书籍,从规范和设计到使用机器学习算法面面俱到。它必然成为本科和研究生的计算语言学课程的范本。” ——Nancy Ide Vassar学院的计算机科学教授

是时候创建属于你自己的用于机器学习的自然语言训练语料库了。无论你使用英语、汉语或者其他任何一种自然语言,本书都可以手把手地指导你一种经验证的标注开发周期——把元语添加到你的训练语料库中来帮助机器学习算法更有效工作的过程。你无需任何编程或者语言学方面的经验就可以上手。

通过每一步中的详细示例,你将学到“标注开发过程”是如何帮助你建模、标注、训练、测试、评估和修正你的训练语料库。你也将了解到一个实际标注项目的完整演示。

在收集你的数据集(语料库)之前定义一个清晰的标注目标 学习用于分析你的语料库中语言内容的工具 搭建用于你的标注项目的模型和规范 检查从基本的XML到语言标记框架这样一些不同的标注格式 创建适合于训练和测试机器学习算法的黄金标准语料库

选择用来处理你的标注数据的机器学习算法 评估测试结果并修正你的标注任务 学习如何使用用于标注文本和调整标注的轻量级软件

James Pustejovsky是Brandeis大学的教授,他在该大学的计算机科学系讲解和研究人工智能及计算语言学。

Amber Stubbs刚刚获得了Brandeis大学标注方法论的博士学位。她现在是SUNY Albany大学的博士后。

成为VIP会员查看完整内容
0
20

本书是关于在R中快速进入建立机器学习模型,这个理论被保持在最低限度,并且有关于分类,聚类,特征工程和关联规则的每一个主要算法的例子。

成为VIP会员查看完整内容
0
8

目录

第一章 为什么机器学习至关重要。 本章描绘了人工智能和机器学习的发展全貌——从过去到现在,再到未来。

第二章 监督学习(一)。 本章通过例题介绍了线性回归、损失函数、过拟合和梯度下降。

第三章 监督学习(二)。 本章介绍了两种分类方法:逻辑回归和SVM。

第四章 监督学习(三)。 本章介绍了非参数方法:k近邻估计、决策树、随机森林。以及交叉验证、超参数调整和集成模型的相关知识。

第五章 无监督学习。 本章介绍了聚类:K-means、层次聚类;降维:主成分分析(PCA)、奇异值分解(SVD)。

第六章 神经网络与深度学习。 本章介绍了深度学习的工作原理、应用领域和实现方法,并回顾了神经网络是如何从人类大脑中汲取灵感的。此外,本章还涉及卷积神经网络(CNN)、递归神经网络(DNN)以及神经网络应用案例等内容。

第七章 强化学习。 本章介绍了强化学习的Exploration和Exploitation(探索-利用),包括马尔可夫决策过程、Q-learning、策略学习和深度强化学习。

附录: 最佳机器学习资源。 一份用于学习机器学习的资源清单。

前言

Machine Learning for Humans是国外机器学习爱好者之间流传甚广的一本电子书,它最先是Medium上的连载文章,后因文章质量出众、阅读价值高,作者在建议下把文章整理成电子书,供读者免费阅读。本书的作者Vishal Maini是耶鲁大学的文学学士,目前已入职DeepMind;另一名作者Samer Sabri同样毕业于耶鲁大学,目前正在加州大学圣迭戈分校的计算机学院攻读硕士学位。

哪些人应该读一读?

希望快速跟上机器学习发展潮流的开发者;

希望掌握机器学习入门知识并参与技术开发的普通读者;

所有对机器学习感兴趣的读者。

本书向所有人免费开放阅读。书中虽然会涉及概率论、统计学、程序设计、线性代数和微积分等基础知识,但没有数学基础的读者也能从中获得启发。

本书旨在帮助读者在2—3个小时内迅速掌握机器学习高级概念,如果您想得到更多关于线上课程、重要书籍、相关项目等方面的内容,请参考附录中的建议。

成为VIP会员查看完整内容
0
30

《Python机器学习经典实例(影印版 英文版)》这本实用指南提供了近200则完整的攻略,可帮助你解决日常工作中可能遇到的机器学习难题。如果你熟悉Python以及包括pandas和scikit-learn在内的库,那么解决一些特定问题将不在话下,比如数据加载、文本处理、数值数据、模型选择、降维以及诸多其他主题。

  每则攻略中都包含代码,你可以将其复制并粘贴到实验数据集中,以确保代码的确有效。你可以插入、组合、修改这些代码,从而协助构建你自己的应用程序。攻略中还包括相关的讨论,对解决方案给出了解释并提供有意义的上下文。

  《Python机器学习经典实例(影印版 英文版)》在理论和概念之外提供了构造实用机器学习应用所需的具体细节。

https://www.oreilly.com/library/view/machine-learning-with/9781491989371/

成为VIP会员查看完整内容
0
55

本书围绕虚拟化、并发和持久性这三个主要概念展开,介绍了所有现代系统的主要组件(包括调度、虚拟内存管理、磁盘和I/O子系统、文件系统)。全书共50章,分为3个部分,分别讲述虚拟化、并发和持久性的相关内容。作者以对话形式引入所介绍的主题概念,行文诙谐幽默却又鞭辟入里,力求帮助读者理解操作系统中虚拟化、并发和持久性的原理。本书内容全面,并给出了真实可运行的代码(而非伪代码),还提供了相应的练习,很适合高等院校相关专业的教师开展教学和高校学生进行自学。​

本书具有以下特色:

  • 主题突出,紧紧围绕操作系统的三大主题元素——虚拟化、并发和持久性。
  • 以对话的方式引入背景,提出问题,进而阐释原理,启发动手实践。
  • 包含众多“补充”和“提示”,拓展读者知识面,增加趣味性。
  • 使用真实代码而不是伪代码,让读者更加深入透彻地了解操作系统。
  • 提供作业、模拟和项目等众多学习方式,鼓励读者动手实践。
  • 为教师提供教学辅助资源。

成为VIP会员查看完整内容
0
50

机器学习方法以有限的资源快速地从大量的数据中提取价值。它们是在广泛的工业应用中建立起来的工具,包括搜索引擎、DNA测序、股票市场分析和机器人移动,它们的使用正在迅速蔓延。了解这些方法的人可以选择有回报的工作。这个动手实践书册为计算机科学学生打开这些机会。它是专为具有有限的线性代数和微积分背景的大四本科生和硕士生设计的。它在图模型的框架内开发了从基本推理到高级技术的所有内容。学生们学到的不仅仅是一系列的技巧,他们还会发展分析和解决问题的技巧,这些技巧使他们能够适应真实的世界。许多例子和练习,以计算机为基础和理论,包括在每一章。为学生和教师的资源,包括一个MATLAB工具箱,可在网上获得。

成为VIP会员查看完整内容
0
106

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
85

掌握通过机器学习和深度学习识别和解决复杂问题的基本技能。使用真实世界的例子,利用流行的Python机器学习生态系统,这本书是你学习机器学习的艺术和科学成为一个成功的实践者的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会您如何成功地思考、设计、构建和执行机器学习系统和项目。

使用Python进行的实际机器学习遵循结构化和全面的三层方法,其中包含了实践示例和代码。

第1部分侧重于理解机器学习的概念和工具。这包括机器学习基础,对算法、技术、概念和应用程序的广泛概述,然后介绍整个Python机器学习生态系统。还包括有用的机器学习工具、库和框架的简要指南。

第2部分详细介绍了标准的机器学习流程,重点介绍了数据处理分析、特征工程和建模。您将学习如何处理、总结和可视化各种形式的数据。特性工程和选择方法将详细介绍真实数据集,然后是模型构建、调优、解释和部署。

第3部分探讨了多个真实世界的案例研究,涵盖了零售、交通、电影、音乐、营销、计算机视觉和金融等不同领域和行业。对于每个案例研究,您将学习各种机器学习技术和方法的应用。动手的例子将帮助您熟悉最先进的机器学习工具和技术,并了解什么算法最适合任何问题。

实用的机器学习与Python将授权您开始解决您自己的问题与机器学习今天!

你将学习:

  • 执行端到端机器学习项目和系统
  • 使用行业标准、开放源码、健壮的机器学习工具和框架实现实践示例
  • 回顾描述机器学习和深度学习在不同领域和行业中的应用的案例研究
  • 广泛应用机器学习模型,包括回归、分类和聚类。
  • 理解和应用深度学习的最新模式和方法,包括CNNs、RNNs、LSTMs和transfer learning。

这本书是给谁看的 IT专业人士、分析师、开发人员、数据科学家、工程师、研究生

目录:

Part I: Understanding Machine Learning

  • Chapter 1: Machine Learning Basics
  • Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
  • Chapter 3: Processing, Wrangling and Visualizing Data
  • Chapter 4: Feature Engineering and Selection
  • Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
  • Chapter 6: Analyzing Bike Sharing Trends
  • Chapter 7: Analyzing Movie Reviews Sentiment
  • Chapter 8: Customer Segmentation and Effective Cross Selling
  • Chapter 9: Analyzing Wine Types and Quality
  • Chapter 10: Analyzing Music Trends and Recommendations
  • Chapter 11: Forecasting Stock and Commodity Prices

Chapter 12: Deep Learning for Computer Vision

成为VIP会员查看完整内容
0
114

书籍介绍: 机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。机器学习是人工智能及模式识别领域的共同研究热点,其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。本书从机器学习的基础入手,分别讲述了分类、排序、降维、回归等机器学习任务,是入门机器学习的一本好书。

作者: Mehryar Mohri,是纽约大学库兰特数学科学研究所的计算机科学教授,也是Google Research的研究顾问。

大纲介绍:

  • 介绍
  • PAC学习框架
  • rademacher复杂度和VC维度
  • 支持向量机
  • 核方法
  • Boosting
  • 线上学习
  • 多类别分类
  • 排序
  • 回归
  • 算法稳定性
  • 降维
  • 强化学习

作者主页https://cs.nyu.edu/~mohri/

成为VIP会员查看完整内容
0
67

由Marc Peter Deisenroth,A Aldo Faisal和Cheng Soon Ong撰写的《机器学习数学基础》“Mathematics for Machine Learning” 最新版417页pdf版本已经放出,作者表示撰写这本书旨在激励人们学习数学概念。这本书并不打算涵盖前沿的机器学习技术,因为已经有很多书这样做了。相反,作者的目标是通过该书提供阅读其他书籍所需的数学基础。这本书分为两部分:数学基础知识和使用数学基础知识进行机器学习算法示例。值得初学者收藏和学习!

目录

Part I: 数据基础

  • Introduction and Motivation
  • Linear Algebra
  • Analytic Geometry
  • Matrix Decompositions
  • Vector Calculus
  • Probability and Distribution
  • Continuous Optimization

Part II: 机器学习问题

  • When Models Meet Data
  • Linear Regression
  • Dimensionality Reduction with Principal Component Analysis
  • Density Estimation with Gaussian Mixture Models
  • Classification with Support Vector Machines
成为VIP会员查看完整内容
0
106
小贴士
相关VIP内容
相关论文
Learning Multiple Defaults for Machine Learning Algorithms
Florian Pfisterer,Jan N. van Rijn,Philipp Probst,Andreas Müller,Bernd Bischl
0+阅读 · 2月24日
Yuxia Geng,Jiaoyan Chen,Zhuo Chen,Jeff Z. Pan,Zhiquan Ye,Zonggang Yuan,Yantao Jia,Huajun Chen
6+阅读 · 2月15日
Sahil Verma,John Dickerson,Keegan Hines
10+阅读 · 2020年10月20日
Xiaomeng Li,Lequan Yu,Chi-Wing Fu,Meng Fang,Pheng-Ann Heng
3+阅读 · 2020年4月16日
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Learning Deep Transformer Models for Machine Translation
Qiang Wang,Bei Li,Tong Xiao,Jingbo Zhu,Changliang Li,Derek F. Wong,Lidia S. Chao
3+阅读 · 2019年6月5日
Alexander Jung
9+阅读 · 2018年8月19日
Deep Learning
Nicholas G. Polson,Vadim O. Sokolov
3+阅读 · 2018年8月3日
Few Shot Learning with Simplex
Bowen Zhang,Xifan Zhang,Fan Cheng,Deli Zhao
4+阅读 · 2018年7月27日
Reshma U,Barathi Ganesh H B,Mandar Kale,Prachi Mankame,Gouri Kulkarni
3+阅读 · 2018年4月10日
Top