Сообщение Книженция по машинному обучению от 31.05.2019 1:40
Изменено 31.05.2019 1:41 okon
Бумажный вариант тоже можно рассмотреть но это в долгосрочном приоритете, т.к. физическая доставка будет не удобна.
Со своей стороны хочу поделиться книжкой которую нашел , еще не читал, но цена в 30 рублей при этом раскрываются достаточно интересные темы, содержание ниже.
авторы С. И. Николенко, А. Л. Тулупьев, при этом что примечательно цена всего 30 рублей.
https://www.litres.ru/aleksandr-tulupev/samoobuchauschiesya-sistemy-11647871/
С промо скидкой 10% 24 рубля
Глава 1. Деревья принятия решений 25
џ 1.1. Введение 26
џ 1.2. Структура дерева принятия решений 27
џ 1.3. Энтропия и прирост информации 30
џ 1.4. Деревья принятия решений и булевские функции 37
џ 1.5. Алгоритм ID3 39
џ 1.6. Реализация ID3 на языках Python и Ruby 39
џ 1.7. Проблема критерия прироста информации 46
џ 1.8. Оверфиттинг 48
џ 1.9. Заключение 50
Глава 2. Обучение концептам 53
џ 2.1. Введение 54
џ 2.2. Частичные порядки 55
џ 2.3. Лирическое отступление: функция Мјбиуса 60
џ 2.4. Алгоритм Find-S 68
џ 2.5. Реализация алгоритма Find-S 71
џ 2.6. Алгоритм исключения кандидатов 75
џ 2.7. Заключение 79
Глава 3. Нейронные сети 81
џ 3.1. Введение 83
џ 3.2. Перцептрон 85
џ 3.3. Обучение перцептрона 89
џ 3.4. Обучение перцептрона на практике 94
џ 3.5. Метод градиентного спуска 99
џ 3.6. Нелинейные перцептроны. Сигмоид. 104
џ 3.7. Алгоритм обратного распространения ошибки 106
џ 3.8. Реализация нейронной сети на Java 109
џ 3.9. Заключение 117
Глава 4. Генетические алгоритмы 119
џ 4.1. Введение 121
џ 4.2. Схема генетического алгоритма в деталях 122
џ 4.3. Генетические операции 124
џ 4.4. Представление данных 127
џ 4.5. Отбор 132
џ 4.6. Дарвин, Ламарк и Болдуин 134
џ 4.7. Генетические алгоритмы на деревьях 138
џ 4.8. Генетическое программирование 140
џ 4.9. Генетическое программирование на практике 145
џ 4.10. Язык программирования LISP 155
џ 4.11. Заключение 158
Глава 5. Байесовское обучение и классификаторы 161
џ 5.1. Введение 162
џ 5.2. Теорема Байеса 163
џ 5.3. Априорные и апостериорные вероятности 168
џ 5.4. Теорема Байеса, данные и гипотезы 170
џ 5.5. MAP и задачи классификации 173
џ 5.6. Оптимальный и гиббсовский классификаторы 175
џ 5.7. Наивный байесовский классификатор 178
џ 5.8. Атрибуция текстов 180
џ 5.9. Байесовское обучение и нейронные сети 189
џ 5.10. Принцип наименьшей длины описания 191
џ 5.11. Заключение 193
Глава 6. Алгоритмы кластеризации 195
џ 6.1. Введение 196
џ 6.2. Постановка задачи и виды кластеризации 199
џ 6.3. Иерархическая кластеризация 202
џ 6.4. Кластеризация методами теории графов 203
џ 6.5. Алгоритм EM 208
џ 6.6. Кластеризация при помощи EM 215
џ 6.7. Алгоритм k-средних 223
џ 6.8. Нечјткие алгоритмы кластеризации 230
џ 6.9. Заключение 232
Глава 7. Обучение с подкреплением 233
џ 7.1. Введение 234
џ 7.2. Как оценивать поведение агента? 236
џ 7.3. Многорукие бандиты 240
џ 7.4. Доказуемо оптимальные алгоритмы 241
џ 7.5. Другие стратегии 246
џ 7.6. Поиск стратегий в известной модели 248
џ 7.7. Поиск оптимальных стратегий без модели 250
џ 7.8. Поиск моделей и оптимальных стратегий по ним 256
џ 7.9. Игрушечный пример Q-обучения и Dyna 260
џ 7.10. Заключение 268
Бумажный вариант тоже можно рассмотреть но это в долгосрочном приоритете, т.к. физическая доставка будет не удобна.
Со своей стороны хочу поделиться книжкой которую нашел , еще не читал, но цена в 30 рублей при этом раскрываются достаточно интересные темы, содержание ниже.
авторы С. И. Николенко, А. Л. Тулупьев.
https://www.litres.ru/aleksandr-tulupev/samoobuchauschiesya-sistemy-11647871/
С промо скидкой 10% 24 рубля
Глава 1. Деревья принятия решений 25
џ 1.1. Введение 26
џ 1.2. Структура дерева принятия решений 27
џ 1.3. Энтропия и прирост информации 30
џ 1.4. Деревья принятия решений и булевские функции 37
џ 1.5. Алгоритм ID3 39
џ 1.6. Реализация ID3 на языках Python и Ruby 39
џ 1.7. Проблема критерия прироста информации 46
џ 1.8. Оверфиттинг 48
џ 1.9. Заключение 50
Глава 2. Обучение концептам 53
џ 2.1. Введение 54
џ 2.2. Частичные порядки 55
џ 2.3. Лирическое отступление: функция Мјбиуса 60
џ 2.4. Алгоритм Find-S 68
џ 2.5. Реализация алгоритма Find-S 71
џ 2.6. Алгоритм исключения кандидатов 75
џ 2.7. Заключение 79
Глава 3. Нейронные сети 81
џ 3.1. Введение 83
џ 3.2. Перцептрон 85
џ 3.3. Обучение перцептрона 89
џ 3.4. Обучение перцептрона на практике 94
џ 3.5. Метод градиентного спуска 99
џ 3.6. Нелинейные перцептроны. Сигмоид. 104
џ 3.7. Алгоритм обратного распространения ошибки 106
џ 3.8. Реализация нейронной сети на Java 109
џ 3.9. Заключение 117
Глава 4. Генетические алгоритмы 119
џ 4.1. Введение 121
џ 4.2. Схема генетического алгоритма в деталях 122
џ 4.3. Генетические операции 124
џ 4.4. Представление данных 127
џ 4.5. Отбор 132
џ 4.6. Дарвин, Ламарк и Болдуин 134
џ 4.7. Генетические алгоритмы на деревьях 138
џ 4.8. Генетическое программирование 140
џ 4.9. Генетическое программирование на практике 145
џ 4.10. Язык программирования LISP 155
џ 4.11. Заключение 158
Глава 5. Байесовское обучение и классификаторы 161
џ 5.1. Введение 162
џ 5.2. Теорема Байеса 163
џ 5.3. Априорные и апостериорные вероятности 168
џ 5.4. Теорема Байеса, данные и гипотезы 170
џ 5.5. MAP и задачи классификации 173
џ 5.6. Оптимальный и гиббсовский классификаторы 175
џ 5.7. Наивный байесовский классификатор 178
џ 5.8. Атрибуция текстов 180
џ 5.9. Байесовское обучение и нейронные сети 189
џ 5.10. Принцип наименьшей длины описания 191
џ 5.11. Заключение 193
Глава 6. Алгоритмы кластеризации 195
џ 6.1. Введение 196
џ 6.2. Постановка задачи и виды кластеризации 199
џ 6.3. Иерархическая кластеризация 202
џ 6.4. Кластеризация методами теории графов 203
џ 6.5. Алгоритм EM 208
џ 6.6. Кластеризация при помощи EM 215
џ 6.7. Алгоритм k-средних 223
џ 6.8. Нечјткие алгоритмы кластеризации 230
џ 6.9. Заключение 232
Глава 7. Обучение с подкреплением 233
џ 7.1. Введение 234
џ 7.2. Как оценивать поведение агента? 236
џ 7.3. Многорукие бандиты 240
џ 7.4. Доказуемо оптимальные алгоритмы 241
џ 7.5. Другие стратегии 246
џ 7.6. Поиск стратегий в известной модели 248
џ 7.7. Поиск оптимальных стратегий без модели 250
џ 7.8. Поиск моделей и оптимальных стратегий по ним 256
џ 7.9. Игрушечный пример Q-обучения и Dyna 260
џ 7.10. Заключение 268