本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括： （一）监督学习（参数/ 非参数算法，支持向量机，核函数，神经网络）。（二）无监督学习 （聚类，降维，推荐系统，深入学习推荐）。（三）在机器学习的最佳实践（偏差/ 方差理 论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何 运用学习算法构建智能机器人（感知，控制），文本的理解（W eb 搜 索，反垃圾邮件），计 算机视觉，医疗信息，音频，数据挖掘，和其他领域。 本课程需要 1 0 周 共 1 8 节 课，
上传时间： 2017-07-28
上传用户：xiaoyuerer
介绍机器学习相关知识及机器学习领域的二十多种经典算法
标签： 机器学习
上传时间： 2017-08-02
上传用户：yaoshuai
应用于六轴机器手臂运动控制——直流伺服反馈系统设计（硬件+源代码+上位机等）
标签： 应用于 反馈 机器手臂 运动控制 直流伺服 系统设计
上传时间： 2017-08-14
上传用户：GPGIOA
人工智能 机器学习 贝叶斯的模型 训练贝叶斯
上传时间： 2017-10-26
上传用户：faith
该PPT是关于机器视觉培训教程，在机器人培训以及学习方面会有很大的帮助
上传时间： 2018-02-26
上传用户：ccsliyuan
机器视觉基础知识的测试题目，主要针对相机、镜头、光源的基本原理进行测试。
上传时间： 2019-05-24
上传用户：miaomiao
机器学习个人笔记完整版，中文，吴文达机器学习
标签： 机器学习
上传时间： 2019-06-11
上传用户：qq274983722
1欧洲机械搬运协会标准(FEM)目录详细介绍
上传时间： 2020-03-06
上传用户：yyyh
机器学习对于改进产品、过程和研究有着很⼤的潜⼒。但是计算机通常无法解释他们的预测，这是采⽤机器学习的障碍。这本书是关于使机器学习模型及其决策可解释的。 在探索了可解释性的概念之后，你将学习简单的、可解释的模型，例如决策树、决策规则和线性回归。后⾯⼏章重点介绍了解释⿊盒模型的模型⽆关的⼀般⽅法，如特征重要性和累积局部效应，以及⽤ Shapley 值和 LIME 解释单个实例预测。 所有的解释⽅法进⾏了深⼊说明和批判性讨论。它们如何在⿊盒下⼯作的？它们的优缺点是什么？ 如何解释它们的输出？本书将使你能够选择并正确应⽤最适合你的机器学习项⽬的解释⽅法。 这本书的重点是表格式数据 (也称为关系数据或结构化数据) 的机器学习模型，较少涉及到计算机 视觉和⾃然语⾔处理任务。建议机器学习从业者、数据科学家、统计学家和任何对使机器学习模型 可解释的⼈阅读本书。
标签： 机器学习
上传时间： 2021-02-08
上传用户：
该文档为机器视觉系统设计五大难点【详解】简介资料，讲解的还不错，感兴趣的可以下载看看…………………………
标签： 机器视觉
上传时间： 2021-10-17
上传用户：
