Машинное обучение с высокой эффективностью: теория, алгоритм и практика
Цена: 1 239руб. (¥58.6)
Артикул: 561219605063
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:中建标图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥12254руб.
¥20.4432руб.
¥30.6647руб.
¥11.2237руб.
Машинное обучение с высокой эффективностью: теория, алгоритм и практика
- Цены:￥ 69.00
Автор: [li] Мэрит·Авад
- I S B N : 978-7-111-56716-5
- Номер книги штрих -кода: 9787111567165
- Дата строки: 2017/10/27
- Дата публикации: 2017/10/26
- Версия SI: 1-1
- из Версия Общество: Machinery Industry Press
- Оригинальный издательство: Springer-Verlag
- Кластер книга Имя: Интеллектуальные науки и техники
- страница Номер: 235
| Введение в контент | |
| В этой книге есть 11 глав. и биологическая технология вдохновения.Читатели могут понять связанные с этим проблемы и реализацию соответствующих решений, которые может решить технология машинного обучения, а также метод проектирования новой системы.Объяснение этой книги от мелкой до глубокой, подходящей для инженеров -алгоритмов, студентов колледжа инженерных специалистов, специалистов по ИТ и энтузиастов машинного обучения для разработки и создания новых и эффективных систем машинного обучения со знаниями и практическим руководством. | |
| Каталог | |
| Каталог Эффективные учебные машины: теории, концепции и приложения для инженеров и дизайнеров системы Переводчик Об авторе Введение в технический обзор Благодарности ГЛАВА 1 МАШИЧЕСКОЕ Обучение 1 1.1 Ключевой термин 2 1.2 Шаг 4 машинного обучения 4 1.3 Алгоритм машинного обучения 6 1.4 Популярный алгоритм машинного обучения 9 1.4.1 C4.59 1,4,2 К в среднем 9 1.4.3 1.4.4 Apriori Algorithm 10 1.4.5 Оценка максимизации 11 1.4.6 Алгоритм PageRank 11 1.4.7 AdaBoost12 1.4.8 К почти смежного алгоритма 13 1.4.9 Простая байессия 14 1.4.10 Классификация возвращается на дерево 14 1.5 Проблемы проблем в исследованиях данных 14 1.5.1 Расширение высоких данных и высокого уровня данных 15 1.5.2 Данные данные о последовательности копания и данные о временной последовательности 15 1.5.3 Dig Complete Знание из сложных данных 15 1.5.4. 1.5.5 Соответствующие проблемы процесса интеллектуального анализа данных 16 1.5.6 Безопасность, конфиденциальность и целостность данных 16 1.5.7 Данные, которые не являются статичными, несбалансированными и экономичными 16 1.6 Резюме 16 Ссылки 16 Глава 2 Машинное обучение и открытие знаний 18 2.1 Знание обнаруживает 20 2.1.1 Классификация 20 2.1.2 кластер 20 2.1.3 Сокращение размеров 21 2.1.4 скоординированная фильтрация 21 2.2 Машинное обучение: алгоритм классификации 21 2.2.1 Logic return 21 2.2.2 Случайный лес 22 2.2.3 Скрытая Marcov Model 23 2.2.4 Multi -Layer Presception Machine 24 2.3 машинное обучение: алгоритм классификации 26 2,3,1 K Средняя поля 26 2.3.2 смутный k средний (нечеткий средний уровень C) 26 2.3.3 Stream K Средний алгоритм 27 2.4 машинное обучение: сокращение измерения 28 2.4.1 Странное разложение значений 28 2.4.2 Анализ основного композиции 29 2.4.3 Алгоритм Lanczos 31 2.5 машинное обучение: скоординированный фильтр 32 2.5.1 Пользовательская совместная фильтрация 32 2.5.2 Коллективная фильтрация на основе проекта 32 2.5.3. 2.6 Машинное обучение: аналогичная матрица 34 2.6.1 Связанный коэффициент Пирсона 34 2.6.2 Коэффициент, связанный с уровнем Спирмена 34 2.6.3 расстояние уши 35 2.6.4 Jaccard аналогичный коэффициент 35 2.7 Резюме 35 Ссылка 36 Глава 3 Поддержка векторной классификации 37 3.1 Посмотрите на SVM37 с геометрической точки зрения 3.2 Основная производительность SVM 38 3.3 Твердый интервал SVM41 3.4 мягкий интервал SVM43 3.5 Ядерный SVM44 3.6 Multi -Classiation SVM47 3.7 SVM для небалансированного набора данных 49 3.8 Улучшить спрос на расчет SVM 51 3.9 Тематическое исследование: SVM используется для почерка 53 3.9.1 Предварительная обработка 54 3.9.2 Особенности экстракта 54 3.9.3 Слоистые, третий -уровень SVM55 3.9.4 Экспериментальные результаты 56 3.9.5 Анализ сложности 57 Ссылки 59 ГЛАВА 4 ВЕКТОР ВЕКТОР ВЕКТОР 63 4.1 SVR Обзор 63 4.2 SVR: концепция, математическая модель и графическое представление 64 4.3 Ядерный SVR и различные потери: математические модели и графика указывают 68 4.4 Байесовский возврат 69 4.5 Тематическое исследование: асимметричный прогноз мощности SVR 72 Ссылки 75 Глава 5 Скрытая Marcov Model 76 5.1 Discrete Marcov Process 76 5.1.1 Определение 178 5.1.2 Определение 278 5.1.3 Определение 378 5,2 Хмм введение 78 5.2.1 Основные моменты HMM 80 5.2.2 Три основные проблемы HMM 80 5.2.3 Решение основных проблем HMM 81 5.3 Непрерывное наблюдение HMM86 5.3.1 Multi -GAUSS MICED MODEL 88 5.3.2 Пример: распознавание фазы рабочей нагрузки 88 5.3.3 наблюдение и наблюдение 89 5.3.4 Рабочая нагрузка и этап 89 5.3.5 Смешанная модель фазового обнаружения 91 Ссылка 98 Глава 6 Бионический расчет: групповой интеллект 100 6.1 Приложение 101 6.1.1 Эволюционное оборудование 101 6.1.2 Бионическая сеть 103 6.1.3 Оптимизация центра обработки данных 105 6.2 Бионный алгоритм расчета 106 6.3 Группа Smart 106 6.3.1 Алгоритм оптимизации AQUNIA 107 6.3.2 Алгоритм оптимизации группы частиц 109 6.3.3 Алгоритм искусственной пчелиной колонии 111 6.4 Алгоритм оптимизации бактериального фандри 113 6.5 Искусственная иммунная система 114 6.6 Распределенное управление центром обработки данных 116 6.6.1 Функция рабочей нагрузки 116 6.6.2 Поли оптимизация 117 6.6.3 Балансировка нагрузки 117 6.6.4 Алгоритм модель 118 Ссылки 120 Глава 7 Глубокая нейронная сеть 122 7.1 Энн Введение 122 7.1.1 Ранняя структура ANN 123 7.1.2 Классическая ANN124 7.1.3 Ann Training and Algorithm обратной связи 127 7.2 Обзор DBN 128 7.3 Limited Boltcmann 130 7.4 DNN Algorithm 131 131 7.5 DNN, связанные с исследованиями 133 7.5.1 DNN Приложение 134 7.5.2 Используйте параллельно для ускорения обучения DNN 135 7.5.3 Аналогично DBN Deep Network 135 Ссылки 136 Глава 8 Алгоритм коры 141 8.1 Алгоритм коры. Начало работы 141 8.1.1 Структура кортикального алгоритма 141 8.1.2 Обучение коркового алгоритма 143 8.2 Обновление веса 145 8.3 Тематическое исследование: применение улучшенного алгоритма коры в цифровизации арабского языка 149 8.3.1 Правила обновления веса на основе энтропии 149 8.3.2 Экспериментальная проверка 150 Ссылка 153 Глава 9 Глубокое обучение 156 9.1 Обзор последовательного хранения 156 9.2 Эволюция последовательного уровня хранения уровня 157 9.2.1 Представление о распределении доставки 160 9.2.2 Реализация алгоритма 160 9.2.3 Space Pond 160 9.2.4 Time Pool 162 9.3 Связанная работа 163 9.4 Обзор пульсной нейронной сети 164 9.4.1 Ходжкин-Хексли Модель 165 9.4.2 Модель интеграции и огня 165 9.4.3. 9.4.4 Izhikevich Model 166 9.4.5 Модель Торпа 166 9.4.6 Информация SNN Кодирование 167 9.4.7 SNN Learning 168 9.4.8 Варианты и расширения SNN 169 9.5 Резюме 170 Ссылка 170 ГЛАВА 10 МУЛЬТИ -КОЛОВАЯ ОПТИМИЗА 173 10.1 Определение формы 174 10.1.1 Парето Оптимизация 175 10.1.2 Отношения доминирования 175 10.1.3 Измеритель производительности 175 10.2 машинное обучение: алгоритм эволюции 176 10.2.1 Генетический алгоритм 177 10.2.2 Генетическое программирование 178 10.3 Оптимизация множественной цели: метод эволюции 179 10.3.1 взвешен и метод 180 10.3.2 Генетический алгоритм векторной оценки 180 10.3.3 Многородственный генетический алгоритм 180 10.3.4 Генетический алгоритм родительского наследия. 10.3.5 Генетический алгоритм не -домена. 10.3.6 Алгоритм эволюции Паангто 183 10.3.7 Алгоритм эволюции Geopolito II185 10.3.8 Pareto File Evolution стратегия 186 10.3.9 Алгоритм отбора на основе сумки Pareto 187 10.3.10 Дополнительный алгоритм на основе сумки Pareto ⅱ188 10.3.11 Не -доминирующий генетический алгоритм сортировки с элитной стратегией 188 10.4 Пример: многогранная оптимизация 190 10.5 Целевая функция 192 Ссылки 193 Глава 11 Пример машинного обучения 195 11.1 Осуществимое моделирование системы 196 11.2 Пример 1: Рассчитайте отпечаток пальца рабочей нагрузки на узле 198 11.2.1 Фазовое измерение 199 11.2.2 Отпечаток пальца 202 11.2.3 Прогноз 206 11.3 Пример 2: динамическое распределение энергии 206 11.3.1 Процесс обучения: выберите функции 207 11.3.2 Процесс обучения: оптимальный план 208 11.3.3 Процесс обучения: монитор 209 11.4 Обучение модели: процесс и оценка 212 11.5 Пример 3: Системный метод инвазивного обнаружения 214 11.5.1 Стратегия моделирования 215 11.5.2 Архитектура инвазивной системы обнаружения 217 11.6 Размышления о файлах и системах конфигурации 220 11.7 Измерение данных датчика 221 11.8 Резюме 222 Ссылки 223 Индекс 224 | |
