現貨正版機器學習算法+基於深度學習的自然語言處理 2本人工智能語音識彆技術教程書籍 epub pdf mobi txt 電子書下載 2024

Name: 現貨 正版 機器學習算法+基於深度學習的自然語言處理 2本 人工智能語音識彆技術教程書籍 pdf epub mobi txt 電子書 2024
SKU: 28073622945
Rating: 4 (10 reviews)

☆☆☆☆☆
簡體網頁||繁體網頁

下載链接在页面底部

點擊這裡下載

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

想要找書就要到靜思書屋

book.tinynews.org

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

發表於2024-12-24

商品介绍

店鋪：書海尋夢圖書專營店

齣版社：機械工業

ISBN：9787111595137

商品編碼：28073622945

現貨正版機器學習算法+基於深度學習的自然語言處理 2本人工智能語音識彆技術教程書籍 epub pdf mobi txt 電子書下載 2024

类似图書點擊查看全場最低價

書籍描述

9787111595137 9787111593737

機器學習算法

內容簡介

本書采用理論與實踐相結閤的方式，在簡明扼要地闡明機器學習原理的基礎上，通過大量實例介紹瞭不同場景下機器學習算法在scikit-learn中的實現及應用。書中有大量的代碼示例及圖例，便於讀者理解和學習並實際上手操作。另一方麵，書中還有很多的延伸閱讀指導，方便讀者性地瞭解機器學習領域的現有技術及其發展狀況。

譯者序
前言
作者簡介
審校人員簡介
1章　機器學習簡介1
1.1　經典機器和自適應機器簡介1
1.2　機器學習的分類2
1.2.1　監督學習3
1.2.2　無監督學習5
1.2.3　強化學習7
1.3　越機器學習——深度學習和仿生自適應8
1.4　機器學習和大數據9
延伸閱讀10
本章小結10
2章　機器學習的重要元素11
2.1　數據格式11
2.2　可學習性13
2.2.1　欠擬閤和過擬閤15
2.2.2　誤差度量16
2.2.3　PAC學習18

2.3　統計學習方法19
2.3.1　大後驗概率學習20
2.3.2　大似然學習20
2.4　信息論的要素24
參考文獻26
本章小結26
3章　特徵選擇與特徵工程28
3.1　scikit-learn練習數據集28
3.2　創建訓練集和測試集29
3.3　管理分類數據30
3.4　管理缺失特徵33
3.5　數據縮放和歸一化33
3.6　特徵選擇和過濾35
3.7　主成分分析37
3.7.1　非負矩陣分解42
3.7.2　稀疏PCA42
3.7.3　核PCA43
3.8　原子提取和字典學習45
參考文獻47
本章小結47
4章　綫性迴歸48
4.1　綫性模型48
4.2　一個二維的例子48
4.3　基於scikit-learn的綫性迴歸和更高維50
4.4　Ridge、Lasso和ElasticNet53
4.5　隨機采樣一緻的魯棒迴歸57
4.6　多項式迴歸58
4.7　保序迴歸60
參考文獻62
本章小結62
5章　邏輯迴歸64
5.1　綫性分類64
5.2　邏輯迴歸65
5.3　實現和優化67
5.4　隨機梯度下降算法69
5.5　通過網格搜索找到優參數71
5.6　評估分類的指標73
5.7　ROC麯綫77
本章小結79
6章　樸素貝葉斯81
6.1　貝葉斯定理81
6.2　樸素貝葉斯分類器82
6.3　scikit-learn中的樸素貝葉斯83
6.3.1　伯努利樸素貝葉斯83
6.3.2　多項式樸素貝葉斯85
6.3.3　高斯樸素貝葉斯86
參考文獻89
本章小結89
7章　支持嚮量機90
7.1　綫性支持嚮量機90
7.2　scikit-learn實現93
7.2.1　綫性分類94
7.2.2　基於內核的分類95
7.2.3　非綫性例子97
7.3　受控支持嚮量機101
7.4　支持嚮量迴歸103
參考文獻104
本章小結104
8章　決策樹和集成學習105
8.1　二元決策樹105
8.1.1　二元決策106
8.1.2　不純度的衡量107
8.1.3　特徵重要度109
8.2　基於scikit-learn的決策樹分類109
8.3　集成學習113
8.3.1　隨機森林114
8.3.2　AdaBoost116
8.3.3　梯度樹提升118
8.3.4　投票分類器120
參考文獻122
本章小結122
9章　聚類基礎124
9.1　聚類簡介124
9.1.1　k均值聚類125
9.1.2　DBSCAN136
9.1.3　光譜聚類138
9.2　基於實證的評價方法139
9.2.1　同質性140
9.2.2　完整性140
9.2.3　修正蘭德指數141
參考文獻142
本章小結142
10章　層次聚類143
10.1　分層策略143
10.2　凝聚聚類143
10.2.1　樹形圖145
10.2.2　scikit-learn中的凝聚聚類147
10.2.3　連接限製149
參考文獻151
本章小結152
11章　簡介153
11.1　樸素的基於用戶的153
11.2　基於內容的156
11.3　無模式（或基於內存的）協同過濾158
11.4　基於模型的協同過濾160
11.4.1　奇異值分解策略161
11.4.2　交替小二乘法策略163
11.4.3　用Apache Spark MLlib實現交替小二乘法策略164
參考文獻167
本章小結167
12章　自然語言處理簡介169
12.1　NLTK和內置語料庫169
12.2　詞袋策略171
12.2.1　標記172
12.2.2　停止詞的刪除174
12.2.3　詞乾提取175
12.2.4　嚮量化176
12.3　基於路透社語料庫的文本分類器例子180
參考文獻182
本章小結182
13章　自然語言處理中的主題建模與情感分析183
13.1　主題建模183
13.1.1　潛在語義分析183
13.1.2　概率潛在語義分析188
13.1.3　潛在狄利剋雷分配193
13.2　情感分析198
參考文獻202
本章小結202
14章　深度學習和TensorFlow簡介203
14.1　深度學習簡介203
14.1.1　人工神經網絡203
14.1.2　深層結構206
14.2　TensorFlow簡介208
14.2.1　計算梯度210
14.2.2　邏輯迴歸212
14.2.3　用多層感知器進行分類215
14.2.4　圖像捲積218
14.3　Keras內部速覽220
參考文獻225
本章小結225
15章　構建機器學習框架226
15.1　機器學習框架226
15.1.1　數據收集227
15.1.2　歸一化227
15.1.3　降維227
15.1.4　數據擴充228
15.1.5　數據轉換228
15.1.6　建模、網格搜索和交叉驗證229
15.1.7　可視化229
15.2　用於機器學習框架的scikit-learn工具229
15.2.1　管道229
15.2.2　特徵聯閤232
參考文獻233
本章小結233

基於深度學習的自然語言處理

內容簡介本書重點介紹瞭神經網絡模型在自然語言處理中的應用。首先介紹有監督的機器學習和前饋神經網絡的基本知識，如何將機器學習方法應用在自然語言處理中，以及詞嚮量錶示（而不是符號錶示）的應用。然後介紹更多專門的神經網絡結構，包括一維捲積神經網絡、循環神經網絡、條件生成模型和基於注意力的模型。後，討論樹形網絡、結構化預測以及多任務學習的前景。

前言
緻謝
第1章引言
1.1自然語言處理的挑戰
1.2神經網絡和深度學習
1.3自然語言處理中的深度學習
1.4本書的覆蓋麵和組織結構
1.5本書未覆蓋的內容
1.6術語
1.7數學符號
注釋
部分有監督分類與前饋神經網絡
第2章學習基礎與綫性模型
2.1有監督學習和參數化函數
2.2訓練集、測試集和驗證集<