| 失效链接处理 |
|
深入出工业机器学习(fn)法 详解与实?张朝?PDF 下蝲
下蝲地址Q?/strong>
版权归出版社和原作者所有，链接已删除，误买正?br style="padding: 0px; margin: 0px;" />
用户下蝲说明Q?/strong>
?sh)子版仅供预览，下蝲?4时内务必删除，支持正版Q喜Ƣ的误买正版书c：(x)
https://product.dangdang.com/11295241316.html
相关截图Q?br />  资料介：(x) 实用性是本书的基本出发点Q书中介l了(jin)q年来在工业界被q泛应用的机器学?fn)算法，q些法l受?jin)时间的考验Q不但效果好而且使用方便。此外，本书也十分注重理论的深度和完整性，内容~排力求由浅入深、推理完整、前后连贯、自成体p，先讲l计学、矩c(din)优化方法这些基知识Q再介绍U性模型、概率图模型、文本向量化法、树(wi)模型和深度学?fn)。与大多数机器学?fn)图书不同，本书q介l了(jin)法周边的一些工E架构及(qing)实现原理Q比如如何实时地攉训练h和监控算法指标、参数服务器的架构设计、做A/B 试的注意事等?/span> 本书理论体系完整Q公式推导清晎ͼ可作为机器学?fn)初学者的自学用书。读者无需深厚的专业知? 本科毕业的理工科学生都能看懂。另外由于本书与工业实践l合得很紧密Q所以也非常适合于从事算法相兛_作的工程技术h员阅诅R?/span> 资料目录Q?br /> W?1 ?概述 1.1 机器学习(fn)基本程 /1 1.2 业界常用法 /2 1.3 构徏机器学习(fn)pȝ /3 W?2 ?l计?br style="margin: 0px; padding: 0px;" /> 2.1 概率分布 /5 2.1.1 期望与方?/5 2.1.2 概率密度函数 /7 2.1.3 累积分布函数 /10 2.2 极大似然估计与贝叶斯估计 /11 2.2.1 极大似然估计 /11 2.2.2 贝叶斯估?/13 2.2.3 p先验与^滑的关系 /15 2.3 |信区间 /15 2.3.1 t 分布 /16 2.3.2 区间估计 /17 2.3.3 Wilson |信区间 /19 2.4 相关?/20 2.4.1 数值变量的相关?/20 2.4.2 分类变量的相x?/22 2.4.3 序变量的相x?/27 2.4.4 分布之间的距?/28 W?3 ?矩阵 3.1 矩阵的物理意?/30 3.1.1 矩阵是什?/30 3.1.2 矩阵的行列式 /31 3.1.3 矩阵的?/32 3.1.4 特征值和特征向量 /32 3.2 矩阵的数值稳定?/33 3.2.1 矩阵数值稳定性的度量 /33 3.2.2 Z列主元的高斯{U当消元?/33 3.2.3 岭回?/38 3.3 矩阵分解 /38 3.3.1 特征值分解与奇异值分?/39 3.3.2 高维E疏矩늚特征值分?/40 3.3.3 Z矩阵分解的推荐算?/45 3.4 矩阵~程实践 /46 3.4.1 numpy 数组q算 /46 3.4.2 E疏矩늚压羃Ҏ(gu) /50 3.4.3 ?MapReduce 实现矩阵乘法 /52 W?4 ?优化Ҏ(gu) 4.1 无约束优化方?/54 4.1.1 梯度下降?/54 4.1.2 拟牛法 /56 4.2 带约束优化方?/58 4.3 在线学习(fn)Ҏ(gu) /61 4.3.1 随机梯度下降?/61 4.3.2 FTRL 法 /63 4.4 深度学习(fn)中的优化Ҏ(gu) /70 4.4.1 动量?/70 4.4.2 AdaGrad /71 4.4.3 RMSprop /71 4.4.4 Adadelta /71 4.4.5 Adam /72 4.5 期望化算?/72 4.5.1 Jensen 不等?/73 4.5.2 期望化算法分?/73 4.5.3 高斯混合模型 /77 W?5 ?U性模?br style="margin: 0px; padding: 0px;" /> 5.1 q义U性模?/79 5.1.1 指数族分?/79 5.1.2 q义U性模型的特例 /80 5.2 逻辑回归模型 /83 5.3 分解机制模型 /84 5.3.1 特征l合 /84 5.3.2 分解机制 /86 5.3.3 分解机制模型构造新特征的思\ /87 5.4 Z域感知的分解机制模型 /88 5.5 法实验Ҏ(gu) /95 W?6 ?概率图模?br style="margin: 0px; padding: 0px;" /> 6.1 隐马?dng)可夫模?/98 6.1.1 模型介绍 /98 6.1.2 模型训练 /101 6.1.3 模型预测 /102 6.2 条g随机场模?/103 6.2.1 条g随机场模型及(qing)特征函数 /103 6.2.2 向前变量和向后变?/107 6.2.3 模型训练 /110 6.2.4 模型预测 /111 6.2.5 条g随机场模型与隐马?dng)可夫模型的?gu) /112 W?7 ?文本向量?br style="margin: 0px; padding: 0px;" /> 7.1 词向?/113 7.1.1 word2vec /113 7.1.2 fastText /117 7.1.3 GloVe /118 7.1.4 法实验Ҏ(gu) /120 7.2 文档向量 /121 7.2.1 Paragraph Vector /121 7.2.2 LDA /123 W?8 ??wi)模?br style="margin: 0px; padding: 0px;" /> 8.1 决策?/130 8.1.1 分类?/131 8.1.2 回归?/134 8.1.3 剪枝 /137 8.2 随机林 /139 8.3 AdaBoost /140 8.4 XGBoost /141 8.5 LightGBM /146 8.5.1 Z梯度的单辚wL(fng)?/147 8.5.2 互斥特征捆绑 /147 8.5.3 Leaf-Wise 生长{略 /148 8.5.4 DART /149 8.6 法实验Ҏ(gu) /150 W?9 ?深度学习(fn) 9.1 经|络概述 /154 9.1.1 |络模型 /154 9.1.2 反向传播 /157 9.1.3 损失函数 /158 9.1.4 q拟合问?/159 9.1.5 梯度消失 /161 9.1.6 参数初始?/161 9.2 L(fng)经|络 /162 9.2.1 L(fng) /162 9.2.2 池化 /165 9.2.3 CNN |络l构 /165 9.2.4 textCNN /167 9.3 循环经|络 /168 9.3.1 RNN 通用架构 /168 9.3.2 RNN 的学?fn)问?/170 9.3.3 门控循环单元 /172 9.3.4 LSTM /174 9.3.5 seq2seq /177 9.4 注意力机?/179 W?10 ?Keras ~程 10.1 快速上?/182 10.2 Keras ?/184 10.2.1 Keras 内置?/184 10.2.2 自定义层 /191 10.3 调试技?/194 10.3.1 查看中间层的输出 /194 10.3.2 回调函数 /195 10.4 CNN ?RNN 的实?/198 W?11 ?推荐pȝ实战 11.1 问题建模 /203 11.2 数据预处?/206 11.2.1 归一?/206 11.2.2 特征哈希 /208 11.3 模型探烦(ch) /210 11.3.1 Zq的模?/210 11.3.2 图模?/211 11.3.3 DeepFM /214 11.3.4 DCN /219 11.4 推荐服务 /221 11.4.1 q程q程调用?/221 11.4.2 gRPC 的?/223 11.4.3 服务发现与负载均?/226 W?12 ?攉训练数据 12.1 日志的设?/229 12.2 日志的传?/231 12.3 日志的合q?/238 12.4 h的存?/248 W?13 ?分布式训l?br style="margin: 0px; padding: 0px;" /> 13.1 参数服务?/250 13.2 Z PS 的优化算?/256 13.3 在线学习(fn) /259 W?14 ?A/B 试 14.1 实验分组 /261 14.2 指标监控 /266 14.2.1 指标的计?/266 14.2.2 指标的上报与存储 /267 14.2.3 指标的展C监控 /269 14.3 实验l果分析 /272 |
| Java1234官方?5Q?/td> | 
|
| Java1234官方?5Q?/td> | 838462530 |
苏公|安?32061202001004?/p>
