《Deeplearning Algorithms Tutorial（深度学习算法教程）》pdf电子书免费下载
下载方式一：
百度网盘下载地址：https://pan.baidu.com/s/1umb9-Y_VxzrsPKSY1q6E8g
百度网盘密码：1111
下载方式二：
http://ziliaoshare.cn/Download/af_123718_pd_DeeplearningAlgorithmsTutorial（SDXXSFJC）.zip
|
|
作者：empty 页数：450 出版社：empty |
《Deeplearning Algorithms Tutorial（深度学习算法教程）》介绍
最近以来一直在学习机器学习和算法，然后自己就在不断总结和写笔记， 记录下自己的学习A I与算法历程。机器学习(Machine Leaming.ML) 是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度.
机器学习是计算机科学的一个子领域，在人工智能领域，机器学习逐渐发展成模式识别和计算科学理论的研究。·机器学习：多领域交叉学科，涉及概率论统计学，逼近论，凸分析，算法复杂度理论等多门学科。·机器学习的应用：语音识别，自动驾驶，语言翻译，计算机视觉，推荐系统，无人机，识别垃圾邮件，人脸识别，电商推荐系统。·机器学习的基本概念：训练集，测试集，特征值，监督学习，非监督学习，分类，回归目前国内在AI感知层面应用已经百花齐放，主要是无人驾驶、智能音箱、嵌入式。但在认知层面还是比较缺乏，所以新入行的AI应用团队可以放在认知层。如开头所述，认知层最重要的是算法，因此需要阅读Nature上最领先的算法公司Deep Mind的几篇大作， 如下：
深度学习：深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。·深度学习的方向：被应用在图像处理与计算机视觉，自然语言处理以及语音识别等领域。机器学习算法概览BP神经网络RBF神经网络SOM神经网咯ART神经网塔用航内的质布习HF，是一种打前适nOM.又主对尔盐的联佩贝叶斯网塔粗精集孤立点分析CART奥语山称为医果来风5的世0于分计，川从2016年起，机器学习有了新的突破和发展。但是，有效的机器学习是困难的，因为机器学习本身就是一个交叉学科，没有科学的方法及一定的积累很难入门。从2017年10月19日， Nature上发表了新一代Alpha Go版本Alpha Go Zero的技术论文。指出一种仅基于强化学习的算法， Alpha Go Zero不使用人类的数据、指导或规则以外的领域知识成了自己的老师。Deep Mind代表了目前人工智能领域最强要是因为AI这几年的快速发展，但是因为AI本身的门槛就比较高，很多人可能就会比较徘徊，因而想把自己学习AI的过程写成本书，供大家参考和学习!后面的算法和我们的算法模型，我会持续更新整理，后续的算法章节会不断的补上，希望可以对新入门。深度神经网络。深度学习的入门。深度学习环境的搭建。深度学习的应用案例
《Deeplearning Algorithms Tutorial（深度学习算法教程）》目录
致谢
Deep learning Algorithms tutorial
BP神经网络
RBF算法
SOM神经网络
ART神经网络
贝叶斯网络
粗糙集
孤立点分析
CART
EM
FP-tree
GSP序列
协同过滤
BIRCH
Prefix span
PageRank
AdaBoost
CBA
KNN
Hopfield神经网络
决策树
聚类分析
关联规则
支持向量机(SVM)
回归算法
基于实例的学习算法
正则化算法
线性回归
逻辑回归
多元自适应回归(MARS)
本地散点平滑估计(LOESS)
K-近邻算法(KNN)
学习矢量化(LVQ
自组织映射算法(SOM)
局部加权学习算法(LWR)
岭回归(Ridge Regression)
LASSO(Least Absolute Shrinkage and Selection Operator
弹性网络(Elastic Net)
最小角回归(LARS)
分类和回归树(CART)
ID 3算法(Iterative Dicho to miser 3)
CH AID(Chi-squared Automatic Interaction Detection)
随机森林(Random Forest)
多元自适应回归样条(MARS)
梯度推进机(Gradient Boosting Machine， GBM)
朴索贝叶斯(Naive Bayes)
高斯朴素贝叶斯(Gaussian Naive Bayes)
多项式朴素贝叶斯(Multinomial Naive Bayes)
平均单依赖估计量(Average dOne-Dependence Estimators)
贝叶斯网络(Bayesian Belief Network)
支持向量机(SVM)
径向基函数(Radial Basis Function， RBF)
线性判别分析(Linear Discriminate Analysis， LDA)
K-均值(K-Means Algorithm)
模糊c-均值聚类算法(Fuzzy C-means Algorithm)
期望最大化(Expect a ion-Maximization)
聚类分析(Cluster Analysis)
先验算法(Apriori Algo it hm)
E clar算法(Eclat Algorithm)
FP-growth算法(FP-Growth Algorithm)
自动编码器(Auto encoder)
反向传播(Backpropagation)
递归神经网络(Recurrent Neural Network)
多层感知器(Muli layer Perceptron)
玻尔兹曼机(Boltzmann Machine)
卷积神经网络(Convolutional Neural Network)
Hopfield网络(Hopfield Network)
径向基函数网络(Radial Basis Function Network)
受限玻尔兹曼机(Res ric ted Boltzmann Machine)
自组织映射(Self-Organizing Map)
脉冲神经网络(Spiking Neural Network)
深度信念网络(Deep Belief Machines)
深度卷积神经网络(Deep Convolutional Neural Networks)
深度递归神经网络(Deep Recurrent Neural Networks)
分层时间记忆(Hierarchical Temporal Memory)
堆叠自动编码器(Stacked Auto Encoder)
生成式对抗网络(Genera ive Ad versar lal Networks)
主成分分析法(Principal Component Analysis)
多维缩放(Mut ple Dimensional Scaling)
线性判别分析(Linear Discriminant Analysis)
等度量映射(Isometric Mapping.Iso map)
局部线性嵌入(Locally Linear Embedding)
拉普拉斯特征映射(Laplacian Eigen maps)
t一分布随机近邻嵌入(I-SNE)
深度自动编码器(Deep Auto encoder Networks)
Boosting
Bagging
决策树算法
贝叶斯算法
基于核的算法
聚类算法(Cluster analysis
关联规则学习(Association Rule Learning)
人工神经网络(Ardf icl al Ne