《人工智能基础数学知识》[73M]百度网盘pdf下载
《人工智能基础数学知识》基于流行的Python语言，通俗易懂地介绍了入门人工智能领域必需必会的数学知识，旨在让读者轻松掌握并学以致用。《人工智能基础数学知识》分为线性代数、概率和优化等3篇，共21章，覆盖了人工智能领域中重要的数学知识点。本书写作风格通俗有趣，读者可在潜移默化中掌握这些数学知识以及相关的编程操作，并能从工程落地的角度深刻理解数学在其中的扮演角色和魅力。《人工智能基础数学知识》适合希望投身于人工智能领域且想有一番作为的人员阅读，还适合对人工智能领域背后的逻辑感兴趣的人员阅读。本书还可作为各大高校人工智能专业的参考用书。
《人工智能从小白到大神》[91M]百度网盘pdf下载
在新一轮科技革命与产业变革中，人工智能扮演着重要的角色，并正在对社会和个人产生深远的影响。本书从人工智能的前世今生说起，以通俗简练的语言风格，详细介绍了人工智能这条时间长河中沉淀下来的熠熠生辉的各色“宝石”。同时本书秉持“纸上得来终觉浅，绝知此事要躬行”的理念，在理论讲解的同时，辅之以讲解视频和实例代码，帮助读者打磨提高，真正将专业知识收入囊中。
——张亚勤院士清华大学讲席教授
与近年来出版的人工智能书籍相比，本书内容翔实、逻辑清晰、深浅得当，同时有着丰富的实操案例，将包罗万象的人工智能技术与知识进行一一拆解，为读者奉上了易消化的“营养大餐”，是一本难得的好书。本书尤其适合在人工智能学习路上遭遇瓶颈的读者朋友，相信跟随作者的讲解并进行编写代码实践操作，定会“山重水复疑无路，柳暗花明又一村”。
——陈尚义百度技术委员会理事长
人工智能基础（高中版）pdf网盘资源下载
《人工智能基础（高中版）.pdf》来源于网盘资源爬虫采集。
请认真阅读本站声明：
1.学霸盘通过网盘资源爬虫收集网盘公开分享链接，本站不复制、传播、储存任何网盘资源文件，也不提供资源下载服务，链接会跳转至百度网盘，资源的安全性与有效性请您自行辨别。
2.学霸盘重视个人隐私和知识产权保护，坚决禁止一切违规信息，如您发现任何涉嫌违规的网盘信息，请立即向百度网盘官方网站举报，并将链接提交给我们进行删除。
3.学霸盘作为非经营性网站，网盘搜索服务仅供学习与交流使用。
《人工智能数学基础与Python机器学习实战》[80M]百度网盘pdf下载
第1章走进机器学习的世界11.1机器学习概述21.1.1什么是机器学习21.1.2机器学习的分类21.1.3常用的机器学习算法31.1.4机器学习的流程51.2Python编程语言61.2.1Python环境搭建61.2.2机器学习相关软件包介绍81.3机器学习的数学知识91.3.1导数91.3.2基本函数的求导公式91.3.3求导法则101.3.4Python实现求导101.3.5泰勒展开式121.3.6微积分基本定理141.3.7基本函数的积分公式141.3.8Python实现积分16第2章人工智能数学基础182.1线性代数192.1.1向量及其线性运算192.1.2矩阵及其线性运算202.2随机变量262.2.1离散型随机变量262.2.2连续型随机变量272.3随机变量概率分布282.3.1伯努利分布282.3.2泊松分布292.3.3指数分布302.3.4二项分布312.3.5正态分布322.3.6伽马分布332.3.7贝塔分布342.3.8卡方分布352.3.9t分布372.3.10F分布40第3章数据获取和预处理423.1数据获取433.1.1自带和下载数据集433.1.2创建数据集453.1.3数据集493.2标准化503.2.1Z?score标准化503.2.2Min?Max标准化513.3二值化523.3.1特征二值化523.3.2标签二值化533.4特征处理543.4.1独热编码543.4.2多项式特征563.4.3PCA降维573.5数据清洗593.5.1Pandas数据清洗593.5.2sklearn处理缺失值623.6文本特征提取643.6.1字典提取器643.6.2词袋模型653.6.3权重向量673.7图像特征提取693.7.1提取像素矩阵693.7.2提取角点713.7.3提取轮廓743.7.4提取局部特征点743.8特征选择763.8.1Filter过滤法763.8.2Wrapper包装法783.8.3Embedded嵌入法79第4章线性回归和逻辑回归814.1线性回归824.1.1最小二乘法824.1.2梯度下降法844.1.3线性回归实现864.1.4Lasso回归和岭回归904.1.5回归模型评估934.1.6多项式回归944.2逻辑回归964.2.1逻辑回归算法964.2.2逻辑回归实现984.2.3分类模型评估100第5章KNN和贝叶斯分类算法1075.1KNN算法1085.1.1KNN算法的距离度量1085.1.2KNN算法代码实现1125.1.3交叉验证1135.1.4KD树1155.2贝叶斯分类算法1185.2.1贝叶斯定理1185.2.2高斯朴素贝叶斯1195.2.3多项式朴素贝叶斯1215.2.4伯努利朴素贝叶斯123第6章决策树和随机森林1256.1决策树1266.1.1熵1266.1.2决策树算法1296.1.3剪枝算法1316.2决策树代码实现1336.2.1可视化决策树1336.2.2分类树1366.2.3回归树1436.3随机森林1446.3.1集成学习算法1446.3.2随机森林分类1456.3.3随机森林回归148第7章支持向量机1507.1SVM核心概念1517.1.1线性可分1517.1.2核函数1537.2SVM代码实现1547.2.1SVC1547.2.2SVM人脸识别1587.2.3SVR161第8章聚类算法1638.1K?means聚类算法1648.1.1K?means聚类算法原理1648.1.2模型评估1668.1.3图像处理1678.1.4K?means聚类算法实例1698.2层次聚类算法1738.2.1层次聚类算法原理1738.2.2层次聚类算法实例1748.3密度聚类算法1768.3.1密度聚类算法原理1768.3.2密度聚类算法实例177第9章EM和HMM聚类算法1799.1EM聚类算法1809.1.1最大似然估计1809.1.2詹森不等式1819.1.3EM算法原理1829.2EM算法代码实现1839.3HMM聚类算法1869.3.1马尔可夫过程1869.3.2隐马尔可夫模型187第10章主题模型19010.1LDA主题模型19110.1.1Dirichlet分布19110.1.2LDA贝叶斯模型19210.2自然语言处理常用工具包19310.2.1NLTK19310.2.2spaCy19610.2.3Gensim19710.2.4jieba20110.2.5StanfordNLP20210.2.6FuzzyWuzzy20310.2.7HanLP20410.3LDA主题模型实例207第11章推荐算法21211.1关联规则21311.1.1置信度21311.1.2支持度21311.1.3提升度21411.1.4关联规则代码实现21411.2基于用户行为的推荐算法21711.2.1矩阵分解21711.2.2SVD算法代码实现21911.3基于评分的推荐算法22111.3.1SlopeOne算法22111.3.2SlopeOne算法代码实现22211.4协同过滤222第12章数据建模22612.1监督学习22712.1.1监督学习回归22712.1.2监督学习分类22812.2半监督学习23512.2.1标签传播算法23512.2.2半监督学习分类23612.3保存模型23912.3.1pickle23912.3.2joblib24012.3.3sklearn2pmml240第13章Spark机器学习24413.1Spark分布式集群搭建24513.1.1创建CentOS7虚拟机24513.1.2设置静态IP24713.1.3配置SSH服务24813.1.4安装Java24813.1.5搭建三台CentOS7主机24913.1.6修改hosts文件25013.1.7配置SSH免密码登录25113.1.8搭建Hadoop集群25213.1.9搭建ZooKeeper集群25513.1.10启动Hadoop和ZooKeeper集群25713.1.11搭建Spark集群26013.2Hadoop和Spark的基础知识26213.2.1HDFS26213.2.2SparkShell26413.2.3RDD编程26813.2.4SparkSQL27313.3SparkMLlib27913.3.1回归模型27913.3.2分类模型281