【百度提取码: dnwj】Practical Machine Learning in R
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
相关内容
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
这本书目前作为补充为STAT 432的统计学习的介绍-在伊利诺伊大学厄巴纳-香槟的统计学习的基础。
本文最初的重点是扩展ISL对使用R进行统计学习的介绍，主要是通过添加和修改现有代码。这一文本目前正变得更加独立。为什么?考虑到作者认为ISL是目前最好的本科教材之一，并且是STAT 432创建的驱动力之一，这是一个非常好的问题。然而，课程一旦创建，对内容的精确控制就变得非常有用。这篇课文的主要重点是满足学生在那门课上的需要。其中一些需要包括:
- 附加的R代码示例和解释
- 仿真研究
- 数学的严密性，符合读者的背景
- 与课程整体结构相匹配的书本结构
换句话说，本文试图复制统计学习介绍的最佳部分，统计学习的元素，和应用预测建模，这是最需要的一组学生。
-
- 预先条件
-
- (监督学习)回归
-
- 监督学习分类
-
- 无监督学习
-
- (统计学习)实践
-
- (统计学习)现代
-
- 附录
成为VIP会员查看完整内容
COMS 4771是一个研究生水平的机器学习入门。本课程涵盖监督机器学习的基本统计原理，以及一些常见的算法范例。
https://www.cs.columbia.edu/~djhsu/coms4771-f20/#description
主题：
- Overview of machine learning
- Nearest neighbors
- Prediction theory
- Regression I: Linear regression
- Regression II: Regularization
- Multivariate Gaussians and PCA
- Regression III: Kernels
- Classification I: Linear classification
- Optimization I: Convex optimization
- Classification II: Margins and SVMs
- Classification III: Classification objectives
- Optimization II: Neural networks
成为VIP会员查看完整内容
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
地址：
https://www.apress.com/gp/book/9781484251232
利用MATLAB的强大功能来应对深度学习的挑战。本书介绍了深度学习和使用MATLAB的深度学习工具箱。您将看到这些工具箱如何提供实现深度学习所有方面所需的完整功能集。
在此过程中，您将学习建模复杂的系统，包括股票市场、自然语言和仅确定角度的轨道。您将学习动力学和控制，并使用MATLAB集成深度学习算法和方法。您还将使用图像将深度学习应用于飞机导航。
最后，您将使用惯性测量单元对ballet pirouettes进行分类，并使用MATLAB的硬件功能进行实验。
你会学到什么
- 使用MATLAB探索深度学习，并将其与算法进行比较
- 在MATLAB中编写一个深度学习函数，并用实例进行训练
- 使用与深度学习相关的MATLAB工具箱
- 实现托卡马克中断预测
这本书是给谁看的：
工程师、数据科学家和学生想要一本关于使用MATLAB进行深度学习的例子丰富的书。
成为VIP会员查看完整内容
题目： Machine Learning in Action
摘要： 这本书向人们介绍了重要的机器学习算法，介绍了使用这些算法的工具和应用程序，让读者了解它们在今天的实践中是如何使用的。大部分的机器学习书籍都是讨论数学，但很少讨论如何编程算法。这本书旨在成为从矩阵中提出的算法到实际运行程序之间的桥梁。有鉴于此，请注意这本书重代码轻数学。
代码下载链接： https://pan.baidu.com/s/1--8P9Hlp7vzJdvhnnhsDvw 提取码：vqhg
成为VIP会员查看完整内容
机器学习是计算机科学发展最快的领域之一，有着广泛的应用。这本教科书的目的是以一种有原则的方式介绍机器学习和它提供的算法范例。这本书提供了一个基本的理论基础的机器学习和数学推导，将这些原则转化为实际的算法。在介绍了基础知识之后，这本书涵盖了以前教科书没有涉及到的一系列广泛的中心主题。这些包括讨论学习的计算复杂性和凸性和稳定性的概念;重要的算法范例包括随机梯度下降、神经网络和结构化输出学习;以及新兴的理论概念，如PAC-Bayes方法和基于压缩的边界。为高级本科生或刚开始的研究生设计，文本使学生和非专业读者在统计，计算机科学，数学和工程的机器学习的基础和算法。
成为VIP会员查看完整内容
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
相关VIP内容
专知会员服务
92+阅读 · 2019年10月30日
相关资讯
