机器学习与数据科学 基于R的统计学习方法

本书通过8章内容，由浅入深地介绍了机器学习、数据处理、数据再加工、数据分析、回归分析、数据分类、模型性能评估以及无监督学习等内容。可谓是每一章都是当前最新颖最有探索价值的专题，对于想要了解机器学...

深入理解Auto ML和Auto DL:构建自动化机器学习与深度学习平台

Spark MLlib机器学习实践

本书分为12章，详细介绍Spark MLLib大数据处理和分析的方法和技巧。本书从Spark基础开始，依次介绍MLLib基础，MLLib中RDD详解，MLLib基本概念，协同，过滤算法，线性回归，分类，决策树与保序回归，聚类，关联规则，数据降维，特......

机器学习基础 原理、算法与实践

本书主要介绍机器学习的基础算法，采用MATLAB编程实现各个算法。主要内容包括机器学习介绍、线性回归、逻辑回归、模型评估与选择、决策树、K-均值算法和EM、神经网络、K近邻和kd树、贝叶斯与文本分类、隐马...

机器学习与优化

本书是机器学习实战领域的一本佳作，从机器学习的基本概念讲起，旨在将初学者引入机器学习的大门，并走上实践的道路。本书通过讲解机器学习中的监督学习和无监督学习，并结合特征选择和排序、聚类方法、文本和网页...

机器人系统设计及应用

本书主要内容分为机器人系统的设计篇和应用篇两部分。设计部分包括机器人运动机构、执行机构、感知系统、控制系统的设计，以及机器人的运动学和动力学的相关知识；应用部分包括工业机器人、移动机器人、特种机...

机器学习导论 2版

本书对机器学习的定义和应用实例进行了介绍，涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型、隐马尔可夫模型、分类算法评估...

机器学习实践：测试驱动的开发方法

本书面技术开发人员、CTO和咨询顾问人员，介绍了机器学习的基本原理，涵盖了测试驱动的机器学习、机器学习概述、K近邻分类、朴素贝叶斯分类、隐马尔科夫模型、支持向量机、神经网络、聚类、核岭回归、模型改进...

大数据挖掘与统计机器学习

本课程的教学内容主要包括聚类、关联、降维、变量选择、分类与预测、集成算法、图模型与推荐系统等。每一部分都是本课程授课的主要内容，都力求深入浅出，精讲细讲，不光讲解各种方法的过程与原理，还要加强学生对...

机器人系统实施 制造业中的机器人、自动化和系统集成

本书主要研究工业机器人，首先讲解机器人和周边设备的总体技术问题，继而讨论机器人应用项目的管理和实施，为工业机器人系统的实际应用提供指导。主要内容包括：机器人和自动化技术的发展史；机器人类型和使用机器人...