机器学习实践指南 案例应用解析PDF|Epub|txt|kindle电子书版本网盘下载

机器学习实践指南 案例应用解析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分准备篇2

第1章 机器学习发展及应用前景2

1.1机器学习概述2

1.1.1什么是机器学习3

1.1.2机器学习的发展3

1.1.3机器学习的未来4

1.2机器学习应用前景5

1.2.1数据分析与挖掘5

1.2.2模式识别5

1.2.3更广阔的领域6

1.3小结7

第2章 科学计算平台8

2.1科学计算软件平台概述8

2.1.1常用的科学计算软件9

2.1.2本书使用的工程计算平台10

2.2计算平台的配置11

2.2.1 Numpy等Python科学计算包的安装与配置11

2.2.2 OpenCV安装与配置13

2.2.3 mlpy安装与配置14

2.2.4 BeautifulSoup安装与配置15

2.2.5 Neurolab安装与配置15

2.2.6 R安装与配置15

2.3小结16

第二部分 基础篇18

第3章 机器学习数学基础18

3.1数学对我们有用吗18

3.2机器学习需要哪些数学知识20

3.3小结25

第4章 计算平台应用实例26

4.1 Python计算平台简介及应用实例26

4.1.1 Python语言基础26

4.1.2 Numpy库37

4.1.3 pylab、 matplotlib绘图44

4.1.4图像基础46

4.1.5图像融合与图像镜像55

4.1.6图像灰度化与图像加噪57

4.1.7声音基础60

4.1.8声音音量调节63

4.1.9图像信息隐藏68

4.1.10声音信息隐藏72

4.2 R语言基础78

4.2.1基本操作78

4.2.2向量81

4.2.3对象集属性87

4.2.4因子和有序因子88

4.2.5循环语句89

4.2.6条件语句89

4.3 R语言科学计算90

4.3.1分类（组）统计90

4.3.2数组与矩阵基础91

4.3.3数组运算94

4.3.4矩阵运算95

4.4 R语言计算实例103

4.4.1学生数据集读写103

4.4.2最小二乘法拟合105

4.4.3交叉因子频率分析106

4.4.4向量模长计算107

4.4.5欧氏距离计算108

4.5小结109

思考题109

第三部分统计分析实战篇112

第5章 统计分析基础112

5.1数据分析概述112

5.2数学基础113

5.3回归分析118

5.3.1单变量线性回归118

5.3.2多元线性回归121

5.3.3非线性回归121

5.4数据分析基础124

5.4.1区间频率分布124

5.4.2数据直方图126

5.4.3数据散点图127

5.4.4五分位数129

5.4.5累积分布函数130

5.4.6核密度估计130

5.5数据分布分析132

5.6小结134

思考题135

第6章 统计分析案例136

6.1数据图形化案例解析136

6.1.1点图136

6.1.2饼图和条形图137

6.1.3茎叶图和箱线图138

6.2数据分布趋势案例解析140

6.2.1平均值140

6.2.2加权平均值140

6.2.3数据排序141

6.2.4中位数142

6.2.5极差、半极差142

6.2.6方差143

6.2.7标准差143

6.2.8变异系数、样本平方和143

6.2.9偏度系数、峰度系数144

6.3正态分布案例解析145

6.3.1正态分布函数145

6.3.2峰度系数分析146

6.3.3累积分布概率146

6.3.4概率密度函数147

6.3.5分位点148

6.3.6频率直方图151

6.3.7核概率密度与正态概率分布图151

6.3.8正太检验与分布拟合152

6.3.9其他分布及其拟合154

6.4小结155

思考题155

第四部分 机器学习实战篇158

第7章 机器学习算法158

7.1神经网络158

7.1.1 Rosenblatt感知器159

7.1.2梯度下降173

7.1.3反向传播与多层感知器180

7.1.4 Python神经网络库199

7.2统计算法201

7.2.1平均值201

7.2.2方差与标准差203

7.2.3贝叶斯算法205

7.3欧氏距离208

7.4余弦相似度209

7.5 SVM210

7.5.1数学原理210

7.5.2 SMO算法212

7.5.3算法应用212

7.6回归算法217

7.6.1线性代数基础217

7.6.2最小二乘法原理218

7.6.3线性回归219

7.6.4多元非线性回归221

7.6.5岭回归方法223

7.6.6伪逆方法224

7.7 PCA降维225

7.8小结227

思考题227

第8章 数据拟合案例228

8.1数据拟合228

8.1.1图像分析法228

8.1.2神经网络拟合法240

8.2线性滤波256

8.2.1 WAV声音文件256

8.2.2线性滤波算法过程256

8.2.3滤波Python实现257

8.3小结262

思考题262

第9章 图像识别案例264

9.1图像边缘算法264

9.1.1数字图像基础264

9.1.2算法描述265

9.2图像匹配266

9.2.1差分矩阵求和267

9.2.2差分矩阵均值269

9.2.3欧氏距离匹配271

9.3图像分类277

9.3.1余弦相似度277

9.3.2 PCA图像特征提取算法283

9.3.3基于神经网络的图像分类284

9.3.4基于SVM的图像分类289

9.4人脸辨识291

9.4.1人脸定位291

9.4.2人脸辨识293

9.5手写数字识别300

9.5.1手写数字识别算法300

9.5.2算法的Python实现301

9.6小结303

思考题304

第10章 文本分类案例305

10.1文本分类概述305

10.2余弦相似度分类306

10.2.1中文分词306

10.2.2停用词清理308

10.2.3算法实战310

10.3朴素贝叶斯分类315

10.3.1算法描述316

10.3.2先验概率计算316

10.3.3最大后验概率316

10.3.4算法实现317

10.4小结323

思考题323