机器学习经典书籍，李航教授的统计学习方法，值得推荐！
上传时间： 2018-09-17
上传用户：jk_ccxz
统计机器学习非常经典的一本书，值得好好研究一下，里面包含了传统机器学习的方法
标签： 机器学习
上传时间： 2019-09-01
上传用户：hgbest
在学习得到的模型投放使用之前，通常需要对其进行性能 评估。为此， 需使用一个“测试集”（testing set）来测试 模型对新样本的泛化能力，然后以测试集上的“测试误差 ”（testing error）作为泛化误差的近似。
上传时间： 2020-04-22
上传用户：89feiyang
《统计学习方法》李航第二版，机器学习，人工智能必备基础书籍 内容简介：统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank 算法等。本书是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生，也可供计算机应用等专业的研发人员参考。
上传时间： 2021-09-01
上传用户：wenxiuyu
华为AI安全白皮书2018-cn近年来，随着海量数据的积累、计算能力的发展、机器学习方法与系统的持续创新与演进，诸如图像识别、语音识 别、自然语言翻译等人工智能技术得到普遍部署和广泛应用。越来越多公司都将增大在AI的投入，将其作为业务发展 的重心。华为全球产业愿景预测：到2025年，全球将实现1000亿联接，覆盖77%的人口；85%的企业应用将部署到 云上；智能家庭机器人将进入12%的家庭，形成千亿美元的市场。 人工智能技术的发展和广泛的商业应用充分预示着一个万物智能的社会正在快速到来。1956年，麦卡锡、明斯基、 香农等人提出“人工智能”概念。60年后的今天，伴随着谷歌DeepMind开发的围棋程序AlphaGo战胜人类围棋冠 军，人工智能技术开始全面爆发。如今，芯片和传感器的发展使“+智能”成为大势所趋：交通+智能，最懂你的 路；医疗+智能，最懂你的痛；制造+智能，最懂你所需。加州大学伯克利分校的学者们认为人工智能在过去二十年 快速崛起主要归结于如下三点原因[1]：1）海量数据：随着互联网的兴起，数据以语音、视频和文字等形式快速增 长；海量数据为机器学习算法提供了充足的营养，促使人工智能技术快速发展。2）高扩展计算机和软件系统：近 年来深度学习成功主要归功于新一波的CPU集群、GPU和TPU等专用硬件和相关的软件平台。3）已有资源的可获得 性：大量的开源软件协助处理数据和支持AI相关工作，节省了大量的开发时间和费用；同时许多云服务为开发者提供 了随时可获取的计算和存储资源。 在机器人、虚拟助手、自动驾驶、智能交通、智能制造、智慧城市等各个行业，人工智能正朝着历史性时刻迈进。谷 歌、微软、亚马逊等大公司纷纷将AI作为引领未来的核心发展战略。2017年谷歌DeepMind升级版的AlphaGo Zero横 空出世；它不再需要人类棋谱数据，而是进行自我博弈，经过短短3天的自我训练就强势打败了AlphaGo。AlphaGo Zero能够发现新知识并发展出打破常规的新策略，让我们看到了利用人工智能技术改变人类命运的巨大潜能。 我们现在看到的只是一个开始；未来，将会是一个全联接、超智能的世界。人工智能将为人们带来极致的体验，将 积极影响人们的工作和生活，带来经济的繁荣与发展。
上传时间： 2022-03-06
上传用户：
斯坦福大学-深度学习基础教程.pdfUFLDL教程 From Ufldl 说明：本教程将阐述无监督特征学习和深入学习的主要观点。通过学习，你也将实现多个功能 学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。 本教程假定机器学习的基本知识（特别是熟悉的监督学习，逻辑回归，梯度下降的想法），如果 你不熟悉这些想法，我们建议你去这里 机器学习课程 (http://openclassroom.stanford.edu/MainFolder/CoursePage.php? course=MachineLearning) ，并先完成第II，III，IV章（到逻辑回归）。 稀疏自编码器 神经网络 反向传导算法 梯度检验与高级优化 自编码算法与稀疏性 可视化自编码器训练结果 稀疏自编码器符号一览表 Exercise:Sparse Autoencoder 矢量化编程实现 矢量化编程 逻辑回归的向量化实现样例 神经网络向量化 Exercise:Vectorization
标签： 深度学习
上传时间： 2022-03-27
上传用户：kingwide
目前嵌入式主要开发环境有 Linux、Wince等；Linux因其开源、开发操作便利而被广泛采用。而 Linux操作系统也只是一个简单的操作系统，简单的使用对于嵌入式开发人员来说价值并不很高，真正有价值的是掌握 Linux的基本服务和 Linux的设计理念、思想，这对于嵌入式开发人员的长期发展是很极其重要的。Linux系统有很多发行版，RedHat、Ubuntu、Fedora等。作为嵌入式开发人员，我们没有必要把精力放到使用哪个 Linux发行版上，而是尽快把 Linux系统尽快安装好。如果打算坚持长期学习，那么建议您把自己的电脑做成双系统，而不要在虚拟机上安装。C语言是嵌入式开发必备的基础知识。在 Linux下从事C语言的开发，你会觉得更为顺畅、更为自然，因为C语言是因unix的出现而诞生的，Linux内核几乎完全是由C语言编写完成的。学习C语言，如果不会用指针，那么就称不上会C语言。做嵌入式开发指针更显得尤为重要，所以做嵌入式开发除了掌握位操作、限定词等，对指针的掌握是不可或缺的。而且要掌握多级指针、函数指针等等。涉及到指针，那么就会讲到内存分配。在大学中，学习C语言一般的学习很少讲到内存分配，但是如果期望从事嵌入式开发，那么就必须懂得C语言是怎么做内存分配管理的。指针之外，还要学习模块化编译处理、指针与数组、gcc、Makefile、GDB、递归、结构体、宏定义使用等。C语言是整栋嵌入式大厦的基础，所以在学习嵌入式时，必须把C语言重视起来，多敲代码，多练。一名优秀的程序员必定是通过“体力劳动”再转向“脑力劳动的”，这也是为什么我们要有“写不出代码=0”思想的原因所在如果说C语言相当于文子，那么数据结构就相学于在造句、写文章，代吗质分取决于对数据结构的掌握程度。在数据结构部分我们要把链表、树、排序作为学习重点且我们也可以查看一些比较常见的函数（如 strcopy、strcat、printf等）在内核中是如何实现的，以及编写代码模拟堆栈，这不仅有利于编写代码质量的提高，而且还可以初步了解 Linux内核精髓，为今后工作打下坚实的基础
上传时间： 2022-04-01
上传用户：
人工神经网络提供了一种普遍且实用的方法从样例中学习值为实数、离散值或向量的函数反向传播算法，使用梯度下降来调节网络参数以最佳拟合由输入-输出对组成的训练集合人工神经网络对于训练数据中的错误健壮性很好人工神经网络已被成功应用到很多领域，例如视觉场景分析，语音识别，机器人控制神经网络学习对于逼近实数值、离散值或向量值的目标函数提供了一种健壮性很强的方法对于某些类型的问题，如学习解释复杂的现实世界中的传感器数据，人工神经网络是目前知道的最有效的学习方法反向传摇成功例子，学习识别手写字符，学习识别口语，学习识别人脸生物学动机ANN受到生物学的启发，生物的学习系统是由相互连接的神经元组成的异常复杂的网络。ANN由一系列简单的单元相互密集连接构成的，其中每一个单元有一定数量的实值输入，并产生单一的实数值输出人脑的构成，大约有1011个神经元，平均每一个与其他104个相连神经元的活性通常被通向其他神经元的连接激活或抑制最快的神经元转换时间比计算机慢很多，然而人脑能够以惊人的速度做出复杂度惊人的决策很多人推测，生物神经系统的信息处理能力一定得益于对分布在大量神经元上的信息表示的高度并行处理
上传时间： 2022-04-08
上传用户：trh505
PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发，不仅能够 实现强大的GPU加速，同时还支持动态神经网络，这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能： 1.具有强大的GPU加速的张量计算（如Numpy） 2.包含自动求导系统的深度神经网络 除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch。官方教程包含了 PyTorch 介绍，安装教程；60分钟快速入门教程，可以迅速从小白阶段完成一个分类器模型；计算机视觉常用模型，方便基于自己的数据进行调整，不再需要从头开始写；自然语言处理模型，聊天机器人，文本生成等生动有趣的项目。
标签： pytorch
上传时间： 2022-04-16
上传用户：canderile
统计学习基础:数据挖掘、推理与预测介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《统计学习基础:数据挖掘、推理与预测》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。【内容推荐】《统计学习基础:数据挖掘、推理与预测》试图将学习领域中许多重要的新思想汇集在一起，并且在统计学的框架下解释它们。随着计算机和信息时代的到来，统计问题的规模和复杂性都有了急剧增加。数据存储、组织和检索领域的挑战导致一个新领域“数据挖掘”的产生。数据挖掘是一个多学科交叉领域，涉及数据库技术、机器学习、统计学、神经网络、模式识别、知识库、信息提取、高性能计算等诸多领域，并在工业、商务、财经、通信、医疗卫生、生物工程、科学等众多行业得到了广泛的应用。【作者简介】Trevor Hastie,Robert Tibshirani和Jerome Friedman都是斯坦福大学统计学教授，并在这个领域做出了杰出的贡献。Hastie和Tibshirani提出了广义和加法模型，并出版专著“Generalized Additive Models”。Hastie的主要研究领域为：非参数回归和分类、统计计算以及生物信息学、医学和工业的特殊数据挖掘问题。他提出主曲线和主曲面的概念，并用S-PLUS编写了大量统计建模软件。Tibshirani的主要研究领域为：应用统计学、生物统计学和机器学习。他提出了套索的概念，还是“An Introduction to the Bootstrap”一书的作者之一。Friedman是CART、MARS和投影寻踪等数据挖掘工具的发明人之一。他不仅是位统计学家，而且是物理学家和计算机科学家，先后在物理学、计算机科学和统计学的一流杂志上表发论文80余篇。
标签： 统计
上传时间： 2022-05-04
上传用户：
