实用机器学习 - (EPUB全文下载)

文件大小：0.83 mb。
文件格式：epub 格式。
书籍内容：

实用机器学习
第1章 机器学习简介
1.1 机器学习
1.1.1 定义
1.1.2 核心概念与术语
1.1.3 什么是学习
1.1.4 机器学习中的数据不一致性
1.1.5 机器学习实践范例
1.1.6 机器学习问题类型
1.2 性能度量
1.3 机器学习的相关领域
1.3.1 数据挖掘
1.3.2 人工智能
1.3.3 统计学习
1.3.4 数据科学
1.4 机器学习处理流程及解决方案架构
1.5 机器学习算法
1.5.1 基于决策树的算法
1.5.2 基于贝叶斯的算法
1.5.3 基于核方法的算法
1.5.4 聚类算法
1.5.5 人工神经网络
1.5.6 降维方法
1.5.7 集成方法
1.5.8 基于实例的算法
1.5.9 基于回归分析的算法
1.5.10 基于关联规则的算法
1.6 机器学习工具与框架
1.7 小结
第2章 机器学习和大规模数据集
2.1 大数据和大规模机器学习
2.1.1 功能与架构：方法论的失配
2.1.2 机器学习的可扩展性和性能
2.1.3 模型选择过程
2.1.4 大规模机器学习的潜在问题
2.2 算法和并发
2.3 垂直扩展的机器学习技术方案
2.3.1 MapReduce编程架构
2.3.2 利用消息传递接口进行高性能计算
2.3.3 LINQ框架
2.3.4 使用LINQ操作数据集
2.3.5 GPU
2.3.6 FPGA
2.3.7 多核或多处理器系统
2.4 小结
第3章 Hadoop架构和生态系统简介
3.1 Apache Hadoop简介
3.1.1 Hadoop的演化
3.1.2 Hadoop及其核心要素
3.2 基于Hadoop的大数据机器学习解决方案架构
3.2.1 数据源层
3.2.2 数据摄入层
3.2.3 Hadoop数据存储层
3.2.4 Hadoop基础设施层
3.2.5 Hadoop平台/处理层
3.2.6 分析层
3.2.7 数据消费层
3.2.8 MapReduce
3.3 Hadoop 2.x
3.3.1 Hadoop生态系统组件
3.3.2 Hadoop安装和配置
3.3.3 Hadoop发行版和供应商
3.4 小结
第4章 机器学习工具、库及框架
4.1 机器学习工具概览
4.2 Apache Mahout
4.2.1 Mahout如何工作
4.2.2 安装和设置Apache Mahout
4.2.3 Mahout软件包详解
4.2.4 Mahout中的vector实现
4.3 R
4.3.1 安装和设置R
4.3.2 R与Apache Hadoop集成
4.4 Julia
4.4.1 安装和设置Julia
4.4.2 在命令行中执行Julia程序
4.4.3 例解Julia
4.4.4 变量与赋值
4.4.5 使用Julia的好处
4.4.6 Julia与Hadoop集成
4.5 Python
4.5.1 Python中工具包的选择
4.5.2 例解Python
4.6 Apache Spark
4.6.1 Scala
4.6.2 RDD编程
4.7 Spring XD
4.8 小结
第5章 基于决策树的学习
5.1 决策树
5.1.1 术语
5.1.2 目标与用途
5.1.3 构造决策树
5.1.4 特殊的决策树
5.2 实现决策树
5.3 小结
第6章 基于实例和核方法的学习
6.1 基于实例的学习
6.1.1 最近邻
6.1.2 实现kNN
6.2 基于核方法的学习
6.2.1 核函数
6.2.2 支持向量机
6.2.3 实现SVM
6.3 小结
第7章 关联规则学习
7.1 关联规则学习
7.1.1 关联规则的定义
7.1.2 Apriori算法
7.1.3 FP-growth算法
7.1.4 Apriori与FP-growth
7.2 实现Apriori及FP-growth算法
7.3 小结
第8章 聚类学习
8.1 聚类学习
8.2 聚类的类型
8.2.1 层次聚类
8.2.2 划分式聚类
8.3 k-means聚类算法
8.3.1 k-means算法的收敛性
8.3.2 k-means算法的优点
8.3.3 k-means算法的缺点
8.3.4 距离度量
8.3.5 复杂度度量
8.4 实现k-means聚类
8.5 小结
第9章 贝叶斯学习
9.1 贝叶斯学习
9.1.1 统计学家的视角
9.1.2 贝叶斯定理
9.1.3 朴素贝叶斯分类器
9.2 实现朴素贝叶斯算法
9.3 小结
第10章 基于回归的学习
10.1 回归分析
10.1.1 重温统计学
10.1.2 混杂
10.1.3 效应修饰
10.2 回归方法
10.2.1 简单线性回归
10.2.2 多元线性回归
10.2.3 多项式回归
10.2.4 广义线性模型
10.2.5 逻辑回归（logit连接）
10.2.6 泊松回归
10.3 实现线性回归和逻辑回归
10.4 小结
第11章 深度学习
11.1 背景知识
11.1.1 人类大脑结构
11.1.2 神经网络
11.1.3 反向传播算法
11.1.4 Softmax回归算法
11.2 深度学习类型
11.2.1 卷积神经网络
11.2.2 循环神经网络
11.2.3 受限玻尔兹曼机
11.2.4 深度玻尔兹曼机
11.2.5 自动编码器
11.3 实现ANN和深度学习方法
11.4 小结
第12章 强化学习
12.1 强化学习
12.1.1 强化学习的背景知识
12.1.2 强化学习的主要特点
12.2 强化学习算法
12.2.1 动态规划
12.2.2 蒙特卡罗方法
12.2.3 时序差分学习
12.2.4 Q-learning（异策略TD）
12.2.5 actor-critic方法(同策略)
12.2.6 R-learning（异策略）
12.3 实现强化学习方法
12.4 小结
第13章 集成学习
13.1 集成学习方法
13.1.1 群体智慧
13.1.2 经典应用
13.1.3 集成 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。