软件已经成为当代生活的一个关键组成部分,而对任何符合数字形式的东西进行排名、分类或推荐的算法技术无处不在。这本书在概念上和历史上接近信息排序的领域。以Gilbert Simondon的哲学和文化技术传统为基础,它首先考察了软件的建设性和累积性特征,并展示了软件制作如何不断利用现有知识和技术的大量储备。然后,它重建了一系列算法技术的历史轨迹,这些技术实际上已经成为当代秩序实践的基石。坐标索引、文本处理、机器学习和网络算法是相对于几个世纪的图书馆传统而发展起来的,它们实例化了动态的、视角主义的、感兴趣的安排信息、思想或人员的形式。在技术基础设施和经济逻辑的包围下,这些技术已经成为改变空间的有序引擎。

成为VIP会员查看完整内容
0
35

相关内容

我的目标是撰写一本既可以作为教程又能够参考的书。这本书最初是为我在Mount St. Mary大学的编程入门课上的学生准备的大约30页笔记。这些学生中大多数没有编程经验,这促使我改进方法。我省略了很多技术细节,有时我过度简化了事情。其中一些细节在书的后面被补充,尽管其他细节从未被补充。但是这本书并不打算涵盖所有内容,我推荐阅读其他书籍和Python文档来填补这些空白。

这本书第一部分的大部分内容都是基础。前四章非常重要。第五章是有用的,但不是所有的都是关键的。第6章(字符串)应该在第7章(列表)之前完成。第8章包含一些更高级的列表主题。虽然这些内容都很有趣,也很有用,但大部分内容都可以跳过。特别是,那一章涵盖了列表理解,我在书中后面会大量使用。虽然您可以不使用列表理解,但它们提供了一种优雅而有效的做事方式。第9章(while循环)很重要。第10章包含了各种各样的主题,它们都很有用,但是如果需要的话,可以跳过很多。第一部分的最后四章是关于字典、文本文件、函数和面向对象编程的。

第二部分是关于图形的,主要是用Tkinter进行GUI编程。您可以很快地使用Tkinter编写一些很好的程序。例如,第15.7节呈现了一款20行的井字游戏。第二部分的最后一章介绍了一些关于Python图像库的内容。

第三部分包含了许多您可以用Python做的有趣的事情。如果你要围绕这本书组织一个学期的课程,你可能想在第三部分中选择一些主题来复习。这本书的这一部分也可以作为一个参考或作为一个地方,有兴趣和积极的学生学习更多。书中这一部分的所有主题都是我在某一点或另一点上发现有用的东西。虽然这本书是为入门编程课程而设计的,但是对于那些有编程经验想要学习Python的人来说,这本书也很有用。如果你是这些人中的一员,你应该能够轻松地读完前几章。您应该发现,第2部分对GUI编程进行了简明而非肤浅的论述。第三部分包含了关于Python特性的信息,这些特性允许您用很少的代码完成大任务。

成为VIP会员查看完整内容
0
25

机器学习作为实现人工智能的一种手段,近年来日益流行。而本书的重点———深度学 习,也正是实现机器学习的一种重要技术。因此,了解机器学习中的一些概念和算法对于理 解深度学习算法有很大的帮助。在这一章,我们将介绍这些机器学习中的重要概念、数据处 理方法、评价指标等,人工智能、机器学习和深度学习之间的关系,如图3.1所示

成为VIP会员查看完整内容
0
33

高维概率提供了对随机向量、随机矩阵、随机子空间和用于量化高维不确定性的对象的行为的洞察。借鉴了概率、分析和几何的思想,它适用于数学、统计学、理论计算机科学、信号处理、优化等领域。它是第一个将高维概率的理论、关键工具和现代应用集成起来的。集中不等式是其核心,它涵盖了Hoeffding和Chernoff等经典不等式和Bernstein等现代发展。然后介绍了基于随机过程的强大方法,包括Slepian的、Sudakov的和Dudley的不等式,以及基于VC维的泛链和界。整本书包含了大量的插图,包括经典和现代的协方差估计、聚类、网络、半定规划、编码、降维、矩阵补全、机器学习、压缩感知和稀疏回归等结果。

这是一本教科书在高维概率与数据科学的应用展望。它是为博士和高级硕士学生和数学,统计,电子工程,计算机科学,计算生物学和相关领域的初级研究人员,谁正在寻求扩大他们的理论方法在现代研究数据科学的知识。

成为VIP会员查看完整内容
0
27

这本书是为任何想学习如何开发机器学习系统的人准备的。我们将从理论和实践两方面涵盖关于机器学习算法的最重要概念,并将使用Python编程语言中的Scikit-learn库实现许多机器学习算法。在第一章中,您将学习机器学习最重要的概念,在下一章中,您将主要学习分类。在最后一章中,你将学习如何训练你的模型。我假定你已经了解了编程的基础知识。

成为VIP会员查看完整内容
0
92

优化和机器学习的相互作用是现代计算科学最重要的发展之一。优化的公式和方法在设计从大量数据中提取基本知识的算法方面被证明是至关重要的。然而,机器学习并不仅仅是优化技术的消费者,而是一个快速发展的领域,它本身也在产生新的优化思想。这本书以一种对两个领域的研究人员都可访问的方式捕获了优化和机器学习之间交互的艺术的状态。

优化方法因其广泛的适用性和吸引人的理论特性而在机器学习中占有重要地位。当今机器学习模型的复杂性、规模和多样性日益增加,需要对现有假设进行重新评估。这本书开始了重新评估的过程。它描述了在诸如一阶方法,随机近似,凸松弛,内点方法,和近端方法等已建立的框架。它还专门关注一些新的主题,如正则化优化、鲁棒优化、梯度和次梯度方法、分裂技术和二阶方法。其中许多技术的灵感来自其他领域,包括运筹学、理论计算机科学和优化子领域。这本书将丰富机器学习社区和这些其他领域以及更广泛的优化社区之间正在进行的交叉发展。

成为VIP会员查看完整内容
0
60

自然语言理解是人工智能的一个重要分支,主要研究如何利用电脑来理解和生成自然语言。本书重点介绍了自然语言理解所涉及的各个方面,包括语法分析、语义分析、概念分析、语料库语言学、词汇语义驱动、中间语言、WordNet、词汇树邻接文法、链接文法、基于语段的机器翻译方法、内识别与文本过滤、机器翻译的评测等,既有对基础知识的介绍,又有对新研究进展的综述,同时还结合了作者(JamesPustejovsky,生成词库理论的创始人)多年的研究成果。本书内容全面、详略得当,结合实例讲解,使读者更易理解。

编辑推荐

《面向机器学习的自然语言标注》内容全面、详略得当,结合实例讲解,使读者更易理解。自然语言理解是人工智能的一个重要分支,主要研究如何利用计算机来理解和生成自然语言。

名人推荐

“语言标注是自然语言处理的一个关键部分,但是现有的计算语言学课程却少有涉及。本书是难得的一本从实践角度讨论自然语言标注,并且以服务于机器学习算法为目的来考察标注规格与设计的专著。它必将成为本科生和研究生计算语言学课程的一个标准。” ——Nancy Ide瓦萨学院计算机科学系教授

作者简介 James Pustejovsky教授是美国布兰代斯(Brandeis University)大学计算机科学系和Volen国家综合系统中心教授。先后在美国麻省理工学院和马萨诸塞大学获得学士学位和博士学位。 Pustejovsky教授主要从事自然语言的理论和计算研究。研究领域包括:计算语言学、词汇语义学、知识表征、话语语义学、时间推理和抽取等。已经出版多部专著。

成为VIP会员查看完整内容
0
34

越来越多来自不同领域的计算机科学家使用离散数学结构来解释概念和问题。在教学经验的基础上,作者提供了一个容易理解的文本,强调了离散数学的基础及其高级课题。这篇文章展示了如何用清晰的数学语言表达精确的思想。学生发现离散数学在描述计算机科学结构和解决问题方面的重要性。他们还学习如何掌握离散数学将帮助他们发展重要的推理技能,这些技能将在他们的职业生涯中继续发挥作用。

成为VIP会员查看完整内容
0
72

通过机器学习的实际操作指南深入挖掘数据

机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例,用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析,解释了它是如何工作的,以及如何在特定的行业中使用它,允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注,对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料,以方便在课堂上使用,使这一资源有用的学生和作为一个专业的参考。

机器学习的核心是一种基于数学和算法的技术,它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识,它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的,全面的指导,为非数学家,提供明确的指导,让读者:

  • 学习机器学习的语言,包括Hadoop、Mahout和Weka
  • 了解决策树、贝叶斯网络和人工神经网络
  • 实现关联规则、实时和批量学习
  • 为安全、有效和高效的机器学习制定战略计划

通过学习构建一个可以从数据中学习的系统,读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心,随着企业发现隐藏在现有数据中的金矿,这一领域的需求越来越大。对于涉及数据科学的技术专业人员,机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。

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
108

本书概述了现代数据科学重要的数学和数值基础。特别是,它涵盖了信号和图像处理(傅立叶、小波及其在去噪和压缩方面的应用)、成像科学(反问题、稀疏性、压缩感知)和机器学习(线性回归、逻辑分类、深度学习)的基础知识。重点是对方法学工具(特别是线性算子、非线性逼近、凸优化、最优传输)的数学上合理的阐述,以及如何将它们映射到高效的计算算法。

https://mathematical-tours.github.io/book/

它应该作为数据科学的数字导览的数学伴侣,它展示了Matlab/Python/Julia/R对这里所涵盖的所有概念的详细实现。

成为VIP会员查看完整内容
0
211
小贴士
相关主题
相关VIP内容
专知会员服务
25+阅读 · 7月10日
专知会员服务
33+阅读 · 6月28日
专知会员服务
27+阅读 · 6月17日
专知会员服务
60+阅读 · 2月26日
专知会员服务
72+阅读 · 2020年8月31日
专知会员服务
108+阅读 · 2020年5月2日
专知会员服务
211+阅读 · 2020年3月23日
相关论文
Qing Zhang,Xueping Gong,Huizhong Li,Hao Wu,Jiheng Zhang
0+阅读 · 7月22日
Caleb Ju,Yifan Zhang,Edgar Solomonik
0+阅读 · 7月21日
Jacek Klimek,Jakub Klimek,Witold Kraskiewicz,Mateusz Topolewski
0+阅读 · 7月19日
Viet Dung Nguyen,Ba Thai Pham,Phan Thuan Do
0+阅读 · 7月18日
Hsin-Yuan Huang,Richard Kueng,Giacomo Torlai,Victor V. Albert,John Preskill
0+阅读 · 7月18日
Jie Chen,Ryosuke Shimmura,Joe Suzuki
0+阅读 · 7月16日
Sara Atito,Muhammad Awais,Josef Kittler
12+阅读 · 4月8日
Ramchandra Joshi,Purvi Goel,Raviraj Joshi
4+阅读 · 2020年1月19日
Alexander Jung
9+阅读 · 2018年8月19日
Ermo Wei,Drew Wicke,David Freelan,Sean Luke
10+阅读 · 2018年4月25日
Top