人工智能数学基础与Python机器学习实战

13.2 Hadoop和Spark的基础知识

13.1 Spark分布式集群搭建

第13章 Spark机器学习

12.3 保存模型

12.2 半监督学习

12.1 监督学习

第12章 数据建模

11.4 协同过滤

11.3 基于评分的推荐算法

11.2 基于用户行为的推荐算法

11.1 关联规则

第11章 推荐算法

10.3 LDA主题模型实例

10.2 自然语言处理常用工具包

10.1 LDA主题模型

第10章 主题模型

9.3 HMM聚类算法

9.2 EM算法代码实现

9.1 EM聚类算法

第9章 EM和HMM聚类算法

8.3 密度聚类算法

8.2 层次聚类算法

8.1 K-means聚类算法

第8章 聚类算法

7.2 SVM代码实现

7.1 SVM核心概念

第7章 支持向量机

6.3 随机森林

6.2 决策树代码实现

6.1 决策树

第6章 决策树和随机森林

5.2 贝叶斯分类算法

5.1 KNN算法

第5章 KNN和贝叶斯分类算法

4.2 逻辑回归

4.1 线性回归

第4章 线性回归和逻辑回归

3.8 特征选择

3.7 图像特征提取

3.6 文本特征提取

3.5 数据清洗

3.4 特征处理

3.3 二值化

3.2 标准化

3.1 数据获取

第3章 数据获取和预处理

2.3 随机变量概率分布

2.2 随机变量

2.1 线性代数

第2章 人工智能数学基础

1.3 机器学习的数学知识

1.2 Python编程语言

1.1 机器学习概述

第1章 走进机器学习的世界

前言

版权信息

封面

封面

版权信息

前言

第1章 走进机器学习的世界

1.1 机器学习概述

1.2 Python编程语言

1.3 机器学习的数学知识

第2章 人工智能数学基础

2.1 线性代数

2.2 随机变量

2.3 随机变量概率分布

第3章 数据获取和预处理

3.1 数据获取

3.2 标准化

3.3 二值化

3.4 特征处理

3.5 数据清洗

3.6 文本特征提取

3.7 图像特征提取

3.8 特征选择

第4章 线性回归和逻辑回归

4.1 线性回归

4.2 逻辑回归

第5章 KNN和贝叶斯分类算法

5.1 KNN算法

5.2 贝叶斯分类算法

第6章 决策树和随机森林

6.1 决策树

6.2 决策树代码实现

6.3 随机森林

第7章 支持向量机

7.1 SVM核心概念

7.2 SVM代码实现

第8章 聚类算法

8.1 K-means聚类算法

8.2 层次聚类算法

8.3 密度聚类算法

第9章 EM和HMM聚类算法

9.1 EM聚类算法

9.2 EM算法代码实现

9.3 HMM聚类算法

第10章 主题模型

10.1 LDA主题模型

10.2 自然语言处理常用工具包

10.3 LDA主题模型实例

第11章 推荐算法

11.1 关联规则

11.2 基于用户行为的推荐算法

11.3 基于评分的推荐算法

11.4 协同过滤

第12章 数据建模

12.1 监督学习

12.2 半监督学习

12.3 保存模型

第13章 Spark机器学习

13.1 Spark分布式集群搭建

13.2 Hadoop和Spark的基础知识