sigma发布过的资源-电子工程世界

sigma

动态发布点评好友关于

主题回复课程资料参考设计电路图文章博客
1. 机器学习从认知到实践(第2辑)(套装共3册,Python+TensorFlow)
  
  标签：机器学习
  
  Python机器学习实践指南 TensorFlow机器学习项目实战 TensorFlow技术解析与实战
  
  下载次数 13次资源类型技术文档上传时间 2024-07-12
2. 机器学习：理论、实践与提高
  
  标签：机器学习
  
  本书是机器学习理论与算法的参考书目，从监督学习、半监督学习的基础理论开始，采用简单、流行的C语言，逐步介绍了常见、先进的理论概念、算法与实践案例，呈现了相应的经典算法和编程要点，满足读者希望了解机器学习运作模式的根本需求。
  
  下载次数 7次资源类型技术文档上传时间 2024-07-12
3. Pytorch深度学习入门
  
  标签：Pytorch 深度学习
  
  本书用浅显易懂的语言，图文并貌地讲解了深度学习的基础知识，从如何挑选硬件到神经网络的初步搭建，再到实现图片识别、文本翻译、强化学习、生成对抗网络等多个目前*流行的深度学习应用。书中基于目前流行的PyTorch框架，运用Python语言实现了各种深度学习的应用程序，让理论和实践紧密结合。
  
  下载次数 34次资源类型技术文档上传时间 2024-07-12
4. 揭秘深度强化学习
  
  标签：深度强化学习
  
  深度强化学习（Deep Reinforcement Learning，DRL）是深度学习算法和强化学习算法的巧妙结合，它是一种新兴的通用人工智能算法技术，也是机器学习的前沿技术，DRL 算法潜力无限，AlphaGo 是目前该算法相当成功的使用案例。DRL 算法以马尔科夫决策过程为基础，是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。深度强化学习算法主要包括基于动态规划（DP）的算法以及基于策略优化的算法，本书的目的就是要把这两种主要的算法（及设计技巧）讲解清楚，使算法研究人员能够熟练地掌握。《揭秘深度强化学习人工智能机器学习技术丛书》共10 章，首先以AlphaGo 在围棋大战的伟大事迹开始，引起对人工智能发展和现状的介绍，进而介绍深度强化学习的基本知识。然后分别介绍了强化学习（重点介绍蒙特卡洛算法和时序差分算法）和深度学习的基础知识、功能神经网络层、卷积神经网络（CNN）、循环神经网络（RNN），以及深度强化学习的理论基础和当前主流的算法框架。最后介绍了深度强化学习在不同领域的几个应用实例。引例、基础知识和实例相结合，方便读者理解和学习。《揭秘深度强化学习人工智能机器学习技术丛书》内容丰富，讲解全面、语言描述通俗易懂，是深度强化学习算法入门的优选。本书适合计算机专业本科相关学生、人工智能领域的研究人员以及所有对机器学习和人工智能算法感兴趣的人员。
  
  下载次数 2次资源类型技术文档上传时间 2024-07-12
5. 程序员数学：用Python学透线性代数和微积分
  
  标签：Python 线性代数 微积分
  
  本书是一本将数学理论与编程实践紧密结合的佳作。书中不仅系统地介绍了线性代数和微积分的基本概念，更通过Python编程实例，有效地将抽象的数学知识转化为具体的应用。这种方法对于程序员来说尤为有益，它不仅加深了对数学原理的理解，也提高了解决实际问题的能力。书中的练习题和项目设计巧妙，鼓励读者动手实践，这是学习数学的黄金法则。源代码和图表的配套使用，进一步增强了学习体验，使得复杂的概念变得直观易懂。翻译质量上乘，确保了非英语母语读者也能无障碍地吸收书中的知识。对于希望在机器学习、3D图形等领域深入的程序员，这本书提供了宝贵的资源。它不仅是一本数学教材，更是一座连接理论与实践的桥梁。我推荐这本书给所有渴望在数学和编程之间架起沟通之桥的读者。\"
  
  下载次数 69次资源类型技术文档上传时间 2024-07-12
6. 机器学习的数学基础
  
  标签：机器学习
  
  本课程将介绍一些实际的ML算法。然而，我们将把重点放在这些算法建立的基础数学概念上。特别是，要真正理解关于ML的任何东西，您需要非常好地掌握。 -微积分, -线性代数 -概率推理
  
  下载次数 9次资源类型技术文档上传时间 2024-07-12
7. 概率数值
  
  标签：概率数值 机器学习
  
  书名 Probabilistic Numerics: Computation as Machine Learning 概率数值计算形式化了机器学习与应用数学之间的联系。数值算法从可计算量中近似出难计算量。它们根据被积函数的求值估计积分，或根据矢量场的求值估计微分方程描述的动态系统的路径。换句话说，它们从数据中推断出一个潜在量。本书表明，因此可以正式将计算例程视为学习机器，并使用贝叶斯推理的概念来构建更灵活、更高效或定制的计算算法。本书适合硕士生、博士生以及人工智能、计算机科学、统计学和应用数学的研究生。本书提供了广泛的背景材料以及大量的图表、示例和练习（附解决方案）以培养直觉。
  
  下载次数 1次资源类型技术文档上传时间 2024-07-12
8. 深度学习的视觉介绍
  
  标签：深度学习
  
  书名 A Visual Introduction to Deep Learning 深度学习是推动人工智能（AI）复兴的算法。而且它的进步没有显示出放缓的迹象。麦肯锡的一份报告估计，到 2030 年，人工智能将为全球经济带来 13 万亿美元的收入，占全球当前 GDP 的 16%。这为未来十年带来了令人兴奋的职业机会。但深度学习的学习难度相当大。近年来，随着学习资源的丰富，出现了另一个问题——信息过载。本书旨在压缩这些知识，使这个主题变得平易近人。读完本书后，您将能够对深度学习和神经网络建立直观的直觉。
  
  下载次数 1次资源类型技术文档上传时间 2024-07-12
9. 机器学习：基础知识
  
  标签：机器学习
  
  机器学习 (ML) 已成为我们日常生活中常见的元素，也是许多科学和工程领域的标准工具。为了充分利用 ML，了解其基本原理至关重要。本书将 ML 视为科学原理的计算实现。该原理包括通过最小化其预测造成的某种形式的损失来不断调整给定数据生成现象的模型。本书训练读者从数据、模型和损失的角度分解各种 ML 应用程序和方法，从而帮助他们从大量现成的 ML 方法中进行选择。本书对 ML 的三要素方法统一涵盖了广泛的概念和技术。例如，正则化、隐私保护以及可解释性技术相当于 ML 方法的模型、数据和损失的特定设计选择。
  
  下载次数 2次资源类型技术文档上传时间 2024-07-12
10. 强化学习：智能代理的工业应用
  
  标签：强化学习
  
  强化学习 (RL) 将在未来十年内带来 AI 领域最大的突破之一，使算法能够从环境中学习以实现任意目标。这一激动人心的发展避免了传统机器学习 (ML) 算法中的限制。这本实用的书向数据科学和 AI 专业人士展示了如何通过强化学习并使机器能够自行学习。 Winder Research 的作者 Phil Winder 涵盖了从基本构建块到最先进实践的所有内容。您将探索 RL 的现状，专注于工业应用，学习众多算法，并从有关将 RL 解决方案部署到生产的专门章节中受益。这不是一本食谱；它不回避数学，并要求读者熟悉 ML。了解什么是 RL 以及算法如何帮助解决问题掌握 RL 基础知识，包括马尔可夫决策过程、动态规划和时间差分学习深入研究一系列价值和策略梯度方法应用高级 RL 解决方案，例如元学习、分层学习、多智能体和模仿学习了解尖端深度 RL 算法，包括 Rainbow、PPO、TD3、SAC 等通过随附网站获取实际示例
  
  下载次数 1次资源类型技术文档上传时间 2024-07-12
11. 概率机器学习：高级主题
  
  标签：机器学习
  
  书名 Probabilistic Machine Learning: Advanced Topics 这是一本高级书籍，适合从事机器学习和统计学工作的研究人员和研究生，他们希望了解深度学习、贝叶斯推理、生成模型和不确定情况下的决策。作为《概率机器学习：导论》的高级对应物，这本高级教科书为研究人员和研究生详细介绍了机器学习的前沿主题，包括深度生成模型、图形模型、贝叶斯推理、强化学习和因果关系。本书将深度学习置于更大的统计背景中，并将基于深度学习的方法与基于概率建模和推理的方法统一起来。这本严谨的书得到了来自谷歌、DeepMind、亚马逊、普渡大学、纽约大学和华盛顿大学等地的顶尖科学家和领域专家的贡献，对于理解机器学习中的关键问题至关重要。
  
  下载次数 4次资源类型技术文档上传时间 2024-07-09
12. 机器学习：算法原理与编程实践
  
  标签：机器学习
  
  《机器学习算法原理与编程实践》是机器学习原理和算法编码实现的基础性读物，内容分为两大主线：单个算法的原理讲解和机器学习理论的发展变迁。算法除包含传统的分类、聚类、预测等常用算法之外，还新增了深度学习、贝叶斯网、隐马尔科夫模型等内容。对于每个算法，均包括提出问题、解决策略、数学推导、编码实现、结果评估几部分。数学推导力图做到由浅入深，深入浅出。结构上数学原理与程序代码一一对照，有助于降低学习门槛，加深公式的理解，起到推广和扩大机器学习的作用。
  
  下载次数 9次资源类型技术文档上传时间 2024-07-09
13. 深入理解机器学习：从原理到算法（英文）
  
  标签：机器学习 算法
  
  书名：Understanding Machine Learning: From Theory to Algorithms 机器学习是计算机科学中发展最快的领域之一，具有深远的应用。这本教科书的目的是以原则性的方式介绍机器学习及其提供的算法范式。本书对机器学习的基本思想以及将这些原则转化为实用算法的数学推导提供了广泛的理论说明。在介绍该领域的基础知识之后，本书涵盖了以前的教科书未涉及的一系列核心主题。其中包括对学习的计算复杂性以及凸性和稳定性概念的讨论；重要的算法范式，包括随机梯度下降、神经网络和结构化输出学习；以及新兴的理论概念，如 PAC-Bayes 方法和基于压缩的界限。本书专为高年级本科生或初级研究生课程而设计，使统计学、计算机科学、数学和工程学的学生和非专家读者能够理解机器学习的基础知识和算法。
  
  下载次数 2次资源类型技术文档上传时间 2024-07-09
14. 贝叶斯方法：概率编程与贝叶斯推断（英文）
  
  标签：贝叶斯方法
  
  书名 Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference 贝叶斯推理方法非常自然，而且非常强大。然而，大多数关于贝叶斯推理的讨论都依赖于极其复杂的数学分析和人工示例，没有扎实数学背景的人无法理解。然而，现在，Cameron Davidson-Pilon 从计算的角度介绍了贝叶斯推理，将理论与实践相结合，让您能够利用计算能力获得结果。本书通过使用强大的 PyMC 语言和密切相关的 Python 工具 NumPy、SciPy 和 Matplotlib 进行概率编程，阐明了贝叶斯推理。使用这种方法，您可以以小增量获得有效的解决方案，而无需进行大量的数学干预。 Davidson-Pilon 首先介绍贝叶斯推理的基本概念，将其与其他技术进行比较，并指导您构建和训练第一个贝叶斯模型。接下来，他通过一系列详细的例子和直观的解释介绍了 PyMC，这些例子和解释是在大量用户反馈后改进的。您将学习如何使用马尔可夫链蒙特卡罗算法、选择适当的样本大小和先验、使用损失函数以及在从金融到营销的各个领域应用贝叶斯推理。一旦您掌握了这些技术，您将经常求助于本指南来获取启动未来项目所需的 PyMC 代码。
  
  下载次数 5次资源类型技术文档上传时间 2024-07-09
15. 统计思维：程序员数学之概率统计（英文，Allen B. Downey）
  
  标签：概率统计
  
  书名 Think Stats: Probability and Statistics for Programmers 本书是一本新型入门概率统计课程的教科书。它强调使用统计数据来探索大型数据集。它采用计算方法：学生用 Python 编写程序作为开发和测试他们理解的一种方式。
  
  下载次数 3次资源类型技术文档上传时间 2024-07-09
16. 机器学习的数学理论
  
  标签：机器学习
  
  《机器学习的数学理论》重点研究机器学习的数学理论。第一部分探讨了在非凸优化问题中，选择梯度下降步长来避免严z格鞍点的自适应性。第二部分提出了在非凸优化中寻找局部极小值的算法，并利用牛顿第二定律在一定程度上得到无摩擦的全局极小值。第三部分研究了含有噪声和缺失数据的子空间聚类问题，这是一个由随机高斯噪声的实际应用数据和含有均匀缺失项的不完全数据激发的问题；还提出了一种新的具有粘性网正则化的VAR模型及其等价贝叶斯模型，该模型既考虑了稳定的稀疏性，又考虑了群体选择。
  
  下载次数 13次资源类型技术文档上传时间 2024-07-04
17. 机器学习基础_梅尔亚·莫里
  
  标签：机器学习
  
  本书从概率近似正确（PAC）理论出发探讨机器学习的基础理论与典型算法，包括PAC学习框架、VC-维、支持向量机、核方法、在线学习、多分类、排序、回归、降维、强化学习等丰富的内容。此外，附录部分简要回顾了与机器学习密切相关的概率论、凸优化、矩阵以及范数等必要的预备知识。本书重在介绍典型算法的理论支撑并指出算法在实际应用中的关键点，注重理论细节与证明过程，可作为高等院校机器学习、统计学等课程的教材，或作为相关领域研究人员的参考读物。
  
  下载次数 100+ 次资源类型技术文档上传时间 2024-07-04
18. 机器学习线性代数基础：Python语言描述
  
  标签：机器学习 线性代数 Python
  
  本书从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的最核心内容，并分析推荐系统和图像压缩两个实践案例，在介绍完核心概念后，还将线性代数的应用领域向函数空间和复数域中进行拓展与延伸；同时极力避免数学的晦涩枯燥，充分挖掘线性代数的几何内涵，并以Python语言为工具进行数学思想和解决方案的有效实践。
  
  下载次数 34次资源类型技术文档上传时间 2024-07-04
19. 机器学习精讲_安德烈·布可夫
  
  标签：机器学习
  
  全书分为10章。首先是机器学习入门知识，然后依次介绍了表示法和定义、基本算法、算法的原理、基本的最佳实践、自然语言和深度学习、问题和解决方案、高级实践、非监督机器学习、其他形式的学习以及结论。本书最后提供了一个和机器学习相关的术语表。
  
  下载次数 9次资源类型技术文档上传时间 2024-07-04
20. 机器学习设计模式
  
  标签：机器学习
  
  书名 Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps 本书中的设计模式涵盖了机器学习中反复出现问题的最佳实践和解决方案。作者是三位 Google 工程师，他们列出了经过验证的方法，帮助数据科学家解决整个机器学习过程中的常见问题。这些设计模式将数百名专家的经验整理成简单易懂的建议。在本书中，您将找到 30 种模式的详细说明，这些模式涉及数据和问题表示、操作化、可重复性、可再现性、灵活性、可解释性和公平性。每个模式都包括问题描述、各种潜在解决方案以及针对您的情况选择最佳技术的建议。
  
  下载次数 5次资源类型技术文档上传时间 2024-07-04