《统计学习方法》李航第二版，机器学习，人工智能必备基础书籍 内容简介：统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank 算法等。本书是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生，也可供计算机应用等专业的研发人员参考。
上传时间： 2021-09-01
上传用户：wenxiuyu
变频器的开关电源电路完全可以简化为上图电路模型，电路中的关键要素都包含在内了。而任何复杂的开关电源，剔除枝蔓后，也会剩下上图这样的主干。其实在检修中，要具备对复杂电路的化简的能力，要在看似杂乱无章的电路伸展中，拈出这几条主要的脉络。要向解牛的庖丁学习，训练自己的眼前不存在什么整体的开关电源电路，只有各部分脉络和脉络的走向振荡回路、稳压回路、保护回路和负载回路等。
上传时间： 2021-12-09
上传用户：
这是我在做大学教授期间推荐给我学生的一本书，非常好，适合入门学习。《python深度学习》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，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。作者在github公布了代码，代码几乎囊括了本书所有知识点。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。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。本人认为，这本书和代码是初学者入门深度学习及Keras最好的工具。作者在github公布了代码，本人参照书本，对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。以下代码包含了全书约80%左右的知识点，代码目录：2.1: A first look at a neural network（ 初识神经网络）3.5: Classifying movie reviews（电影评论分类：二分类问题）3.6: Classifying newswires（新闻分类：多分类问题 ）3.7: Predicting house prices（预测房价：回归问题）4.4: Underfitting and overfitting（ 过拟合与欠拟合）5.1: Introduction to convnets（卷积神经网络简介）5.2: Using convnets with small datasets（在小型数据集上从头开始训练一个卷积网络）5.3: Using a pre-trained convnet（使用预训练的卷积神经网络）5.4: Visualizing what convnets learn（卷积神经网络的可视化）
上传时间： 2022-01-30
上传用户：
ST公司的M25Pxx SPI flash memory的verilog仿真模型.适合新手学习参考
上传时间： 2022-04-23
上传用户：
统计学习基础:数据挖掘、推理与预测介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《统计学习基础:数据挖掘、推理与预测》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。【内容推荐】《统计学习基础:数据挖掘、推理与预测》试图将学习领域中许多重要的新思想汇集在一起，并且在统计学的框架下解释它们。随着计算机和信息时代的到来，统计问题的规模和复杂性都有了急剧增加。数据存储、组织和检索领域的挑战导致一个新领域“数据挖掘”的产生。数据挖掘是一个多学科交叉领域，涉及数据库技术、机器学习、统计学、神经网络、模式识别、知识库、信息提取、高性能计算等诸多领域，并在工业、商务、财经、通信、医疗卫生、生物工程、科学等众多行业得到了广泛的应用。【作者简介】Trevor Hastie,Robert Tibshirani和Jerome Friedman都是斯坦福大学统计学教授，并在这个领域做出了杰出的贡献。Hastie和Tibshirani提出了广义和加法模型，并出版专著“Generalized Additive Models”。Hastie的主要研究领域为：非参数回归和分类、统计计算以及生物信息学、医学和工业的特殊数据挖掘问题。他提出主曲线和主曲面的概念，并用S-PLUS编写了大量统计建模软件。Tibshirani的主要研究领域为：应用统计学、生物统计学和机器学习。他提出了套索的概念，还是“An Introduction to the Bootstrap”一书的作者之一。Friedman是CART、MARS和投影寻踪等数据挖掘工具的发明人之一。他不仅是位统计学家，而且是物理学家和计算机科学家，先后在物理学、计算机科学和统计学的一流杂志上表发论文80余篇。
标签： 统计
上传时间： 2022-05-04
上传用户：
第一章 机器学习革命学习算法入门为何商业拥护机器学习给科学方法增压10亿个比尔·克林顿学习算法与国家安全我们将走向何方第二章 终极算法来自神经科学的论证来自进化论的论证来自物理学的论证来自统计学的论证来自计算机科学的论证机器学习算法与知识工程师天鹅咬了机器人终极算法是狐狸，还是刺猬我们正面临什么危机新的万有理论未达标准的终极算法候选项机器学习的五大学派第三章 符号学派：休谟的归纳问题特别说明：仅作为爱好者学习使用（请勿商用）！本文档由人工智能吧（QQ群 565128329）整理提供并更多学习分享，若觉得不错请购买印刷版书籍。约不约“天下没有免费的午餐”定理对知识泵进行预设如何征服世界在无知与幻觉之间你能信任的准确度归纳是逆向的演绎掌握治愈癌症的方法20问游戏符号学派第四章 联结学派：大脑如何学习感知器的兴盛与衰亡物理学家用玻璃制作大脑世界上最重要的曲线攀登超空间里的高峰感知器的复仇一个完整的细胞模型大脑的更深处第五章 进化学派：自然的学习算法达尔文的算法探索：利用困境程序的适者生存法则性有何用先天与后天谁学得最快，谁就会赢第六章 贝叶斯学派：在贝叶斯教堂里统治世界的定理所有模型都是错的，但有些却有用从《尤金·奥涅金》到Siri所有东西都有关联，但不是直接关联推理问题掌握贝叶斯学派的方法马尔可夫权衡证据逻辑与概率：一对不幸的组合第七章 类推学派：像什么就是什么完美另一半维数灾难空中蛇灾爬上梯子起床啦第八章 无师自通物以类聚，人以群分发现数据的形状拥护享乐主义的机器人熟能生巧学会关联第九章 解开迷惑万里挑一终极算法之城马尔科夫逻辑网络从休谟到你的家用机器人行星尺度机器学习医生马上来看你第十章 建立在机器学习之上的世界性、谎言和机器学习数码镜子充满模型的社会分享与否？方式、地点如何？神经网络抢了我的工作战争不属于人类谷歌＋终极算法=天网？进化的第二部分
上传时间： 2022-05-07
上传用户：
MATLAB深度学习简介深度学习是机器学习的一个类型，该类型的模型直接从图像、文本或声音中学 习执行分类任务。通常使用神经网络架构实现深度学习。“深度”一词是指网络 中的层数 — 层数越多，网络越深。传统的神经网络只包含 2 层或 3 层， 而深度网络可能有几百层。下面只是深度学习发挥作用的几个例子:• 无人驾驶汽车在接近人行横道线时减速。• ATM 拒收假钞。• 智能手机应用程序即时翻译国外路标。深度学习特别适合鉴别应用场景，比如人脸辨识、 文本翻译、语音识别以及高级驾驶辅助系统(包括 车道分类和交通标志识别)。简言之，精确。先进的工具和技术极大改进了深度学习算法，达到了 很高的水平，在图像分类上能够超越人类，能打败世界最优秀的围棋 选手，还能实现语音控制助理功能，如 Amazon Echo® 和 Google Home，可用来查找和下载您喜欢的新歌。如果您刚接触深度学习，快速而轻松的入门方法是使用现有网络， 比如 AlexNet，用一百多万张图像训练好的 CNN。AlexNet 最常用于 图像分类。它可将图像划分为 1000 个不同的类别，包括键盘、鼠标、 铅笔和其他办公设备，以及各个品种的狗、猫、马和其他动物。
标签： Matlab
上传时间： 2022-06-10
上传用户：
内容提要第1章 机器学习概1.1 机器学习简介 1.1.1 机器学习简史 1.1.2 机器学习主要流派 1.2 机器学习、人工智1.2.1 什么是人工智能 1.2.2 什么是数据挖掘 1.2.3 机器学习、人工智1.3 典型机器学习应用1.4 机器学习算法 1.5 机器学习的一般流程 第2章 机器学习基本2.1 统计分析2.1.1 统计基础2.1.2 常见概率分布2.1.3 参数估计2.1.4 假设检验2.1.5 线性回归2.1.6 逻辑回归2.1.7 判别分析2.1.8 非线性模型2.2 高维数据降维2.2.1 主成分分析2.2.2 奇异值分解2.2.3 线性判别分析2.2.4 局部线性嵌入2.2.5 拉普拉斯特征映射2.3 特征工程 2.3.1 特征构建2.3.2 特征选择2.3.3 特征提取2.4 模型训练2.4.1 模型训练常见术语2.4.2 训练数据收集 2.5 可视化分析 2.5.1 可视化分析的作用2.5.2 可视化分析方法 2.5.3 可视化分析常用工2.5.4 常见的可视化图表 2.5.5 可视化分析面临的挑战
标签： 机器学习
上传时间： 2022-06-16
上传用户：
从感知机到深度神经网络带你入坑深度学习机器学习工程师Adi Chris最近学习完吴恩达在Coursera上的最新课程后，决定写篇博客来记录下自己对这一领域的理解。他建议通过这种方式可以有效地深入理解一个学习主题。除此之外，也希望这篇博客可以帮助到那些有意入坑的朋友。言归正传。在我正式介绍深度学习是什么东西之前，我想先引入一个简单的例子，借以帮助我们理解为什么需要深度神经网络。同时，本文附有使用深度神经网络模型求解异或（XOR）问题的代码，发布在GitHub上。异或问题何为异或问题？对于给定的两个上进制输入，我们通过异或逻辑门得到一个预测输出，这 过程 为异或问题。注意，输入不相等时输出为1，否则为0。1展示了异或函数的所有可能的输出结束：
标签： 深度神经网络
上传时间： 2022-06-19
上传用户：canderile
神经网络是机器学习的重要分支，是智能计算的一个主流研究方向，长期受到众多科学家的关注和研究，它植根于很多学科，结合了数学、统计学、物理学、计算机科学和工程学.已经发现，它能够解决一些传统意义上很难解决的问题，也为一些问题的解决提供了全新的想法.在传统的研究成果中，有很多表达数据的统计模型，但大都是比较简单或浅层的模型，在复杂数据的学习上通常不能获得好的学习效果.深度神经网络采用的则是一种深度、复杂的结构，具有更加强大的学习能力，目前深度神经网络已经在图像识别、语音识别等应用上取得了显著的成功.这使得这项技术受到了学术界和工业界的广泛重视，正在为机器学习领域带来一个全新的研究浪潮.
标签： 深度神经网络
上传时间： 2022-06-19
上传用户：shjgzh
