Python Machine Learning

《Python數據挖掘入門與實踐》一書作為數據挖掘入門讀物，介紹了數據挖掘的基礎知識、基本工具和實踐方法，通過循序漸進地講解算法，帶你輕鬆踏上數據挖掘之旅。本書採用理論與實踐相結合的方式，呈現瞭如何使用決策樹和隨機森林算法預測美國職業籃球聯賽比賽結果，如何使用親和性分析方法推薦電影，如何使用樸素貝葉斯算法進行社會媒體挖掘，等等。本書也涉及神經網絡、深度學習、大數據處理等內容。

強化學習是一類重要的機器學習方法,在很多領域得到了成功的應用,*近幾年與深度學習結合起來,進一步推動了人工智能的發展?本書首先介紹了強化學習的基本原理,然後介紹典型的強化學習算法,包括時序差分? SARSA? Q-Learning? DeepQ-network? Double DQN?競爭網絡結構? Rainbow? Actor-Critic? A2C? A3C? TRPO和PPO等,每種算法基本

本書基於Azure Machine Learning Studio探討了現代數據科學算法的背景、理論和實際應用。 全書共8章。第1章描述了在數據科學領域，Azure機器學習如何通過實現完全託管的數據科學雲服務邁出預測分析解決方案的關鍵一步；第2章講解預測分析科學和方法論的基本概念；第3章探討Azure ML Studio的基本原理；第4章基於一個實用的Azure機器學習預測模型，探討可以用來調用A

近年來，機器學習領域受到越來越多的關注，相關的機器學習演算法開始成為熱點。 本書專門介紹了有關機器學習的內容，全書共分3部分：第1部分是資料科學和Microsoft Azure Machine Learning導論，介紹了資料科學和Microsoft Azure Machine Learning的基本知識以及需要用到的語言的基本知識；第二部分是統計學和機器學習演算法，系統地講解了統計學和機器學習的

Copyright 2016 Packt Publishing. First published in the English language under the title “Mastering Scala Machine Learning”.All rights reserved.Chinese simplified language edition published by China M

本書共9章，主要介紹了人工智能在監督學習、非監督學習、強化學習3個領域的10種常見算法，包括kNN、貝葉斯、決策樹、支持向量機、集成學習、K-means、線性回歸、神經網絡、卷積網絡、Q-learning等。全書採用Python作為實現語言，通過大量原創圖表及實用案例讓讀者參與和體驗人工智能的“決策過程”，希望讀者能夠瞭解並掌握人工智能的常用算法。 本書配套的數字課程將在“智慧職教”(www.i

本書由教學與科研經驗豐富的專任教師、企業資深工程師、全國職業技能大賽一等獎獲得者共同編寫。書中依據“項目引領、任務驅動”的思路，針對數據批量處理、流式處理、機器學習等Spark典型應用情境，設計了8個教學項目，涵蓋Spark Core、Spark SQL、Spark Streaming、Structured Streaming、Spark Machine Learning等技術。其中每個項目細分為3～6個子任務，以保證技能提升的“平滑性”，契合初學者的認知規律。本書內容由淺入深，由實踐到理論，再從理論回到實踐，符合初學者的學習規律。同時，編者為了踐行立德樹人的時代擔當，將思政元素有機融入項目教學，讓讀者在完成拓展項目的同時提升個人素養。本書配套了微課視頻、PPT課件、程序代碼、數據集、教案、教學日曆、考試樣題、課程標準(大綱)等全套教學資源，以利於教師的教學。為了最大限度降低學習門檻，本書還提供了基於Linux的Spark虛擬機環境，可免去讀者配置環境的煩惱。本書可作為高等職業院校、應用型本科院校大數據相關課程的配套教材，也可作為Spark學習者的參考用書。

This book provides a comprehensive foundation of machine learning. To answer the questions of what to learn, how to learn, what to get from learning, and how to evaluate, as well as what is meant by learning, the book focuses on the fundamental basics of machine learning, its methodology, theory, algorithms, and evaluations, together with some philosophical thinking on comparison between machine learning and human learning for machinery intelligence.The book is organized as follows: Introduction (Chapter 1), Evaluation (Chapter 2), Supervised learning (Chapters 3, 4, and 5), Unsupervised learning (Chapter 6), Representation learning (Chapter 7), Problem decomposition (Chapter 8), Ensemble learning (Chapter 9), Deep learning (Chapter 10), Application (Chapter 11), and Challenges (Chapter 12).The book can be used as a textbook for college, undergraduate, graduate and PhD students majored in computer science, automation, electronic engineering, communication, ect. It can also be used as