[Spot Free Shipping] Практическое машинное обучение [Индия] Sonilla Grapti Практическое машинное обучение [
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Основная информация
Название: Практическое машинное обучение
Цена: 79 юаней
Автор: [Индия] Sonilla·Грапти
Пресса: Machinery Industry Press
Дата публикации: 2018-05-01
ISBN: 9787111598886
Слова:
номер страницы:
Версия:
Фрагментация:
формат:
Оглавление
Оглавление
Рекомендация
Рекомендуется предисловие два
Переводчик
Предисловие
Об авторе
Академический
Глава 1 Введение в машинное обучение
1.1 машинное обучение
1.1.1 Определение
1.1.2 Основные концепции и термины
1.1.3 Что такое обучение
1.1.4 Данные в несоответствиях машинного обучения
1.1.5 Пример практики машинного обучения
1.1.6 Типы проблем машинного обучения
1.2 Измерение производительности
1.3 Связанные поля машинного обучения
1.3.1
1.3.2 Искусственный интеллект
1.3.3 Статистическое обучение
1.3.4 Наука данных
1.4 Процесс обработки машинного обучения и архитектура решений
1.5 Алгоритм машинного обучения
1.5.1 Алгоритм на основе деревьев принятия решений
1.5.2 на основе байесовского алгоритма
1.5.3 Алгоритм на основе Auctiuct
1.5.4 Алгоритм кластера
1.5.5 Искусственная нейронная сеть
1.5.6 Метод сокращения размеров
1.5.7 Интегрированный метод
1.5.8 Алгоритм на основе примера
1.5.9 Алгоритм на основе регрессионного анализа
1.5.10 Алгоритм на основе связанных правил
1.6 Инструменты и структуры машинного обучения
1.7 Резюме
Глава 2 машинное обучение и большой набор данных
2.1 Большие данные и крупно -масштабное машинное обучение
2.1.1 Функция и архитектура: потеря методизма
2.1.2 Масштабируемость и производительность машинного обучения
2.1.3 Процесс выбора модели
2.1.4 Потенциальные проблемы крупномасштабного машинного обучения
2.2 Алгоритм и параллелизм
2.3 Решение технологии машинного обучения с вертикальным расширением
2.3.1 Mapreduce Architecture программирования
2.3.2 Используйте интерфейс передачи сообщений для выполнения вычислений с высокой эффективностью
2.3.3linq Framework
2.3.4 Используйте набор данных работы LINQ
2.3.5GPU
2.3.6FPGA
2.3.7 Много -корревая или многопроцессорная система
2.4 Резюме
Введение в архитектуру и экосистемы Hadoop
3.1Apache Hadoop введение
3.1.1. Эволюция
3.1.2hadoop и его основные элементы
3.2 Архитектура решения для машинного обучения на основе Hadoop на основе Hadoop
3.2.1.
3.2.2 Уровень потребления данных
3.2.3.
3.2.4 HADOOP Инфраструктура
3.2.5hadoop платформ/слой обработки
3.2.6 Анализ слой
3.2.7 Уровень потребления данных
3.2.8MapReduce
3.3Hadoop 2.x
3.3.1 Компонент экосистемы
3.3.2 Установка и конфигурация Hadoop
3.3.3 версия и поставщика Hadoop
3.4 Резюме
Глава 4 Инструменты машинного обучения, библиотека и структура
4.1 Обзор инструментов машинного обучения
4.2Apache Mahout
4.2.1mahout Как работать
4.2.2 Установка и установка Apache Mahout
4.2.3mahout Software Package Подробное объяснение
4.2.4mahout реализация
4.3R
4.3.1 Установка и настройка r
4.3.2R и интеграция Apache Hadoop
4.4Julia
4.4.1 Установка и установка Джулии
4.4.2 Выполните программу JIN в командной строке
4.4.3 Решение Джулия
4.4.4 Переменные и назначения
4.4.5 Преимущества использования Юлии
4.4.6Julia и Hadoop Integration
4.5Python
4.5.1 Выбор инструментария в пакете инструментов inpython
4.5.2 Примеры Python
4.6Apache Spark
4.6.1Scala
4.6.2rdd Программирование
4.7Spring XD
4.8 Резюме
Глава 5 Обучение на основе дерева решений
5.1 Дерево решений
5.1.1 Термин
5.1.2 Целевая и использование
5.1.3 Создание дерева решений
5.1.4 Специальное дерево решений
5.2 Внедрение деревьев решений
5.3 Резюме
Глава 6 Обучение на основе случаев и ядерных методов
6.1 Пример обучения на основе примера
6.1.1 Ближайший ближайший район
6.1.2 Реализация KNN
6.2 Обучение на основе аукциона
6.2.1 Основная функция
6.2.2
6.2.3 Реализация SVM
6.3 Резюме
Глава 7 Связанные правила обучение
7.1.
7.1.1 Определение правил ассоциации
7.1.2Apriori Алгоритм
7.1.3FP?
7.1.4Apriori и FP?
7.2. Реализация Apriori и FP?
7.3 Резюме
Глава 8 Сборки обучения
8.1 Кластеризация обучения
8,2 типа кластеризации
8.2.1 Уровень кластер
8.2.2 Разделившийся кластер
8.3K?
8.3.1K?
8.3.2K?
8.3.3K?
8.3.4 Измерение расстояния
8.3.5 Вес сложности
8.4 Реализовать k?
8.5 Резюме
Глава 9 Изучение Байеса
9.1 Байесовское обучение
9.1.1 Перспектива статистических ученых
9.1.2 Байесовская теорема
9.1.3 простой байесовский классификатор
9.2 Реализуйте простой байесовский алгоритм
9.3 Резюме
Глава 10 Изучение спины, чтобы вернуться
10.1 Анализ возврата
10.1.1 Обратная статистика
10.1.2 смешанный
10.1.3 Модификация эффекта
10.2 Метод правления
10.2.1 Простая линейная регрессия
10.2.2 Различная линейная регрессия
10.2.3 Полинекс Возврат
10.2.4
10.2.5 Логическая регрессия (подключение Logit)
10.2.6 BO Song return
10.3 Реализуйте линейную регрессию и логическую регрессию
10.4 Резюме
Глава 11 Глубокое обучение
11.1 Фоновые знания
11.1.1 Структура человеческого мозга
11.1.2 Нейронная сеть
11.1.3 Алгоритм обратной связи
11.1.4softmax Алгоритм регрессии
11.2 Тип глубокого обучения
11.2.1 Служба нейронная сеть
11.2.2 Европейская нейронная сеть
11.2.3 Limited Boltzmann
11.2.4 Глубокий Болцманн
11.2.5 Автоматический энкодер
11.3 Внедрение методов ANN и глубокого обучения
11.4 Резюме
Глава 12 Сильное обучение
12.1 Укрепление обучения
12.1.1 Укрепление знаний об обучении
12.1.2 Основные характеристики укрепления обучения
12.2 Укрепление алгоритма обучения
12.2.1 Динамическое планирование
12.2.2 Метод Монте -Карло
12.2.3 Различия времени
12.2.4q?
12.2.5актор?
12.2.6R?
12.3 Реализация улучшенных методов обучения
12.4 Резюме
Глава 13 Интегрированное обучение
13.1 Метод интегрированного обучения
13.1.1 Групповая мудрость
13.1.2 Классические приложения
13.1.3 Интегрированный метод
13.2 Внедрение интегрированного метода обучения
13.3 Резюме
Глава 14 Следующая архитектура данных машинного обучения.
14.1 Эволюция архитектуры данных
14.2 Современная архитектура данных машинного обучения
14.2.1 Архитектура семантических данных
14.2.2 Архитектура базы данных с несколькими модельями/гибридная стойкость
14.2.3 Ламбда архитектура
14.3 Резюме
