✍ Scribed by 牟少敏
No coin nor oath required. For personal study only.
本书较为全面地论述了机器学习、深度学习、大数据技术与图像处理技术的基本概念、基础原理和基本方法，以农业为应用场景，力求通缩易懂，深入浅出的介绍了与机器学习、深度学习、大数据技术与图像处理技术问题联系密切的内容。全书主要分为4大部分：机器学习、大数据技术和图像处理技术的基础知识；经典的机器学习基本理论和方法，以及深度学习和大数据未来的发展；实践应用；机器学习和人工智能的数学基础与编程基础。
第1章 绪论
1.1 机器学习
1.1.1 概述
1.1.2 评价准则
1.2 大数据
1.3 人工智能
1.4 图像处理技术
1.1.3 分类
1.1.4 常用工具
第2章 机器学习的理论与方法
2.1 回归分析与最小二乘法
2.2 聚类
2.2.1 简介
2.3 遗传算法
2.3.1 简介
2.3.2 基本原理
2.4 蚁群算法
2.4.1 简介
2.4.2 基本原理
2.5 粒子群算法
2.5.1 简介
2.5.2 基本原理
2.6 人工神经网络
2.6.1 简介
2.7 支持向量机
2.7.1 简介
2.7.2 基本原理
2.8 隐马尔科夫模型
2.2.2 基本原理
2.2.3 常用聚类算法
2.3.3 特点与应用
2.4.3 特点与应用
2.5.3 特点与应用
2.6.2 神经网络基础
2.6.3 BP 神经网络
2.6.4 RBF 神经网络
2.7.3 特点与应用
第3章 深度学习理论与方法
3.1 简介
3.2 常见模型
3.3 应用场景
3.4 发展趋势
3.4.1 深度集成学习
3.2.1 卷积神经网络
3.2.2 受限玻尔兹曼机
3.2.3 深度信念网络
3.2.4 自动编码器
3.2.5 降噪自动编码器
3.2.6 堆叠降噪自动编码器
3.4.2 深度强化学习
3.4.3 深度迁移学习
第4章 大数据处理技术
4.1 大数据简介
4.1.1 大数据概念与特点
4.2 大数据技术
4.2.1 数据获取与预处理技术
4.3 大数据处理框架
4.3.1 简介
4.4 大数据面临的挑战
4.4.1 数据安全性
4.4.2 计算复杂性
4.4.3 计算时效性
4.1.2 大数据类型
4.1.3 大数据应用
4.2.2 存储与管理技术
4.2.3 分析与挖掘技术
4.2.4 可视化技术
4.3.2 Hadoop
4.3.3 Spark
4.3.4 Storm
4.3.5 HBase
4.3.6 Hive
第5章 大数据与智能系统开发——以农业应用为例
5.1 农业信息化概述
5.1.1 农业信息概念
5.2 农业大数据概述
5.2.1 农业大数据的概念
5.3 农业大数据技术
5.3.1 获取与预处理技术
5.4 农业大数据的机遇、挑战与对策
5.4.1 机遇
5.4.2 挑战与对策
5.5 基于安卓的农业智能
5.5.1 简介
5.1.2 农业信息分类
5.1.3 农业信息技术
5.2.2 农业大数据的特点
5.2.3 农业大数据的标准
5.2.4 农业大数据的发展趋势
5.3.2 存储与集成技术
5.3.3 数据挖掘与时空可视化技术
5.3.4 发展趋势
5.5.2 App 开发步骤
5.5.3 农业App
第6章 图像处理与分析技术
6.1 简介
6.1.1 常用术语
6.2 图像处理技术在农业中的应用
6.2.1 农业图像特点
6.3 图像细化算法
6.3.1 细化算法原理
6.1.2 图像处理与分析基础
6.2.2 农业应用场景
6.3.2 改进算法
第7章 机器学习、大数据技术和图像处理技术的应用——以农业应用为例
7.1 随机森林在棉蚜等级预测中的应用
7.1.1 随机森林原理
7.2 基于邻域核函数的局部支持向量机在树木图像分类中的应用
7.3 局部支持向量回归在小麦蚜虫预测中的应用
7.4 深度学习在小麦蚜虫短期预测中的应用
7.4.1 数据来源与预处理
7.5 基于Spark 的支持向量机在小麦病害图像识别中的应用
7.5.1 数据来源与预处理
7.6 Hadoop 平台下基于粒子群的局部支持向量机
7.6.1 相关技术及算法
7.1.2 随机森林构建
7.1.3 袋外数据OOB 和OOB 估计
7.1.4 实验结果与分析
7.2.1 邻域核函数
7.2.2 基于邻域核函数的局部支持向量机
7.2.3 实验结果与分析
7.3.1 小麦蚜虫预测原理
7.3.2 数据来源与预处理
7.3.3 支持向量回归与局部支持向量回归
7.3.4 实验结果与分析
7.4.2 模型评价指标
7.4.3 基于DBN_LSVR 的小麦蚜虫短期预测模型
7.4.4 实验结果与分析
7.5.2 基于Spark 的支持向量机
7.5.3 实验结果与分析
7.6.2 改进算法原理
7.6.3 MapRuduce 实现
7.6.4 改进算法
7.6.5 实验结果与分析
第8章 Python基础
8.1 基础知识
8.1.1 Python 安装与使用
8.1.2 编码规范
8.2 语言基础
8.2.1 基本数据类型
8.3 函数
8.3.1 函数定义
8.4 类
8.4.1 类定义
8.5 文件
8.5.1 打开和关闭
8.1.3 模块导入
8.1.4 异常处理
8.2.2 运算符与表达式
8.2.3 选择与循环
8.2.4 字符串
8.2.5 列表、元组与字典
8.2.6 正则表达式
8.3.2 函数调用
8.3.3 函数参数
8.3.4 返回值
8.3.5 变量作用域
8.4.2 类方法
8.4.3 继承与多态
8.4.4 应用举例
8.5.2 读写
8.5.3 其他操作
8.5.4 目录操作
第9章 Python数据处理与机器学习
9.1 矩阵计算
9.1.1 基础知识
9.2 网络爬虫
9.2.1 基础知识
9.3 数据库
9.3.1 Sqlite 数据库
9.4 OpenCV 图像编程
9.4.1 图像基础操作
9.5 数据可视化
9.5.1 matplotlib 可视化
9.6 基于Python 的机器学习算法
9.6.1 线性回归
9.7 基于Python 的大数据处理技术
9.7.1 MapReduce 编程
9.7.2 应用举例
9.8 Tensorflow 编程
9.8.1 简介
9.1.2 应用举例
9.2.2 应用举例
9.3.2 MySQL 数据库
9.4.2 图像几何变换
9.4.3 图像滤波
9.4.4 数学形态学
9.4.5 应用举例
9.5.2 Plotly 可视化
9.6.2 Logistic 回归
9.6.3 K 近邻算法
9.6.4 K 均值聚类
9.6.5 决策树
9.8.2 基础知识
9.8.3 应用举例
参 考 文 献
📜 SIMILAR VOLUMES
<p>本书通俗易懂，有高中数学基础即可看懂，同时结合大量案例与漫画，将高度抽象的数学、算法与应用，与现实生活中的案例和事件一一做了关联，将源自生活的抽象还原出来，帮助读者理解后，又带领大家将这些抽象的规律与算法应用于实践，贴合读者需求。同时，本书不是割裂讲解大数据与机器学习的算法和应用，还讲解了其生态环境与关联内容，让读者更全面地知晓渊源与未来，是系统学习大数据与机器学习的不二之选：</p> <p>·大数据产业解读一一剖析产业情况，人才供需、职业选择与相应“武器”库；</p> <p>·步入大数据之门一一解读数据、信息、算法，以及与大数据应用的关系；</p> <p>·大数据基石一一结合大量
书签已装载， 书签制作方法请找 [email protected] 完全免费 《数据挖掘实用机器学习技术(原书第2版)》介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树、关联规则、线性模型、聚类、贝叶斯网以及神经网络)以及在实践中的运用，所存在缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘任务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。 海报：
本书借助代表当今数据挖掘和机器学习最高水平的著名开源软件Weka，通过大量的实践操作，使读者了解并掌握数据挖掘和机器学习的相关技能，拉近理论与实践的距离。全书共分9章，主要内容包括Weka介绍、探索者界面、知识流界面、实验者界面、命令行界面、Weka高级应用、Weka API、学习方案源代码分析和机器学习实战。本书系统讲解Weka 3.7.13的操作、理论和应用，内容全面、实例丰富、可操作性强，做到理论与实践的统一。本书适合数据挖掘和机器学习相关人员作为技术参考书使用，也适合用作计算机专业高年级本科生和研究生的教材或教学参考用书。
本书以独特的方式讲解数据科学，不仅让读者可以轻松学习数据科学理论，又可以动手（手算和机算）进行数据科学实战。本书特色：全彩印刷，图形、表格、思维导图丰富；避免深奥的数学证明，采用简单的数学说明；用各种学习图将本书内容贯穿起来；实战计算，包含小型数据的演算和大型数据的实战程序。 本书共13章，内容涵盖丰富的数据科学模型，包含关联分析、聚类分析、贝叶斯分类、近邻法、决策树、降维分析、回归模型等算法。利用小数据例题介绍计算步骤，同时用R语言验证计算结果。另外，也有大数据的案例数据，例如：推荐系统、支持向量机、集成学习等。另外，本书只有大数据的案例数据用R语言计算。 本书适合各个专业领域（
<p>大数据分析与机器学习技术已成为各行各业实现数字化变革的关键驱动力。本书以功能强大且较易上手的Python语言为编程环境，全面讲解了大数据分析与机器学习技术的商业应用实战。</p> <p>全书共16章，讲解了线性回归模型、逻辑回归模型、决策树模型、朴素贝叶斯模型、K近邻算法模型、随机森林模型、AdaBoost与GBDT模型、XGBoost与LightGBM模型、PCA（主成分分析）模型、聚类与分群模型（KMeans与DBSCAN算法）、协同过滤算法模型、Apriori关联分析模型、神经网络模型等十余种机器学习模型的原理和代码实现，每种模型都配有一到两个典型案例，涵盖金融、营销、医疗、社会