zhaolongkzz blogs

从零起步掌握强化学习技术精髓，称霸人工智能领域！《深入浅出强化学习：原理入门》针对初学者的需求，直接分析原理，并辅以编程实践。以解决问题的思路，层层剖析，单刀直入地普及了传统的强化学习基本方法和当前炙手可热的深度强化学习方法，直接将读者带入强化学习的殿堂。精读完本书，您能在熟练掌握原理的基础上，直接上手编程实践。本书的叙述方式简洁、直接、清晰，值得精读！

编写 RoboWare Studio 使用说明的目的是充分叙述 RoboWare Studio 所能实现的功能及其运行环境，以便 RoboWare Studio 用户了解本软件的使用范围和使用方法，并为 RoboWare Studio 软件的维护和更新提供必要的信息

Keras之父，TensorFlow机器学习框架贡献者，Kaggle竞赛教练，个人Kaggle竞赛全球排名曾获得第17名。目 前任职于Google，从事人工智能研究，尤其关注计算机视觉与机器学习在形式推理方面的应用。

目　录 　　第一部分　分类 　　第1章　机器学习基础　2 　　1.1 　何谓机器学习　3 　　1.1.1 　传感器和海量数据　4 　　1.1.2 　机器学习非常重要　5 　　1.2 　关键术语　5 　　1.3 　机器学习的主要任务　7 　　1.4 　如何选择合适的算法　8 　　1.5 　开发机器学习应用程序的步骤　9 　　1.6 　Python语言的优势　10 　　1.6.1 　可执行伪代码　10 　　1.6.2 　Python比较流行　10 　　1.6.3 　Python语言的特色　11 　　1.6.4 　Python语言的缺点　11 　　1.7 　NumPy函数库基础　12 　　1.8 　本章小结　13 　　第2章　k-近邻算法 　15 　　2.1 　k-近邻算法概述　15 　　2.1.1 　准备：使用Python导入数据　17 　　2.1.2 　从文本文件中解析数据　19 　　2.1.3 　如何测试分类器　20 　　2.2 　示例：使用k-近邻算法改进约会网站的配对效果　20 　　2.2.1 　准备数据：从文本文件中解析数据　21 　　2.2.2 　分析数据：使用Matplotlib创建散点图　23 　　2.2.3 　准备数据：归一化数值　25 　　2.2.4 　测试算法：作为完整程序验证分类器　26 　　2.2.5 　使用算法：构建完整可用系统　27 　　2.3 　示例：手写识别系统　28 　　2.3.1 　准备数据：将图像转换为测试向量　29 　　2.3.2 　测试算法：使用k-近邻算法识别手写数字　30 　　2.4 　本章小结　31 　　第3章　决策树 　32 　　3.1 　决策树的构造　33 　　3.1.1 　信息增益　35 　　3.1.2 　划分数据集　37 　　3.1.3 　递归构建决策树　39 　　3.2 　在Python中使用Matplotlib注解绘制树形图　42 　　3.2.1 　Matplotlib注解　43 　　3.2.2 　构造注解树　44 　　3.3 　测试和存储分类器　48 　　3.3.1 　测试算法：使用决策树执行分类　49 　　3.3.2 　使用算法：决策树的存储　50 　　3.4 　示例：使用决策树预测隐形眼镜类型　50 　　3.5 　本章小结　52 　　第4章　基于概率论的分类方法：朴素贝叶斯 　53 　　4.1 　基于贝叶斯决策理论的分类方法　53 　　4.2 　条件概率　55 　　4.3 　使用条件概率来分类　56 　　4.4 　使用朴素贝叶斯进行文档分类　57 　　4.5 　使用Python进行文本分类　58 　　4.5.1 　准备数据：从文本中构建词向量　58 　　4.5.2 　训练算法：从词向量计算概率　60 　　4.5.3 　测试算法：根据现实情况修改分类器　62 　　4.5.4 　准备数据：文档词袋模型　64 　　4.6 　示例：使用朴素贝叶斯过滤垃圾邮件　64 　　4.6.1 　准备数据：切分文本　65 　　4.6.2 　测试算法：使用朴素贝叶斯进行交叉验证　66 　　4.7 　示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向　68 　　4.7.1 　收集数据：导入RSS源　68 　　4.7.2 　分析数据：显示地域相关的用词　71 　　4.8 　本章小结　72 　　第5章　Logistic回归 　73 　　5.1 　基于Logistic回归和Sigmoid函数的分类　74 　　5.2 　基于最优化方法的最佳回归系数确定　75 　　5.2.1 　梯度上升法　75 　　5.2.2 　训练算法：使用梯度上升找到最佳参数　77 　　5.2.3 　分析数据：画出决策边界　79 　　5.2.4 　训练算法：随机梯度上升　80 　　5.3 　示例：从疝气病症预测病马的死亡率　85 　　5.3.1 　准备数据：处理数据中的缺失值　85 　　5.3.2 　测试算法：用Logistic回归进行分类　86 　　5.4 　本章小结　88 　　第6章　支持向量机　89 　　6.1 　基于最大间隔分隔数据　89 　　6.2 　寻找最大间隔　91 　　6.2.1 　分类器求解的优化问题　92 　　6.2.2 　SVM应用的一般框架　93 　　6.3 　SMO高效优化算法　94 　　6.3.1 　Platt的SMO算法　94 　　6.3.2 　应用简化版SMO算法处理小规模数据集　94 　　6.4 　利用完整Platt SMO算法加速优化　99 　　6.5 　在复杂数据上应用核函数　105 　　6.5.1 　利用核函数将数据映射到高维空间　106 　　6.5.2 　径向基核函数　106 　　6.5.3 　在测试中使用核函数　108 　　6.6 　示例：手写识别问题回顾　111 　　6.7 　本章小结　113 　　第7章　利用AdaBoost元算法提高分类 　　性能 　115 　　7.1 　基于数据集多重抽样的分类器　115 　　7.1.1 　bagging：基于数据随机重抽样的分类器构建方法　116 　　7.1.2 　boosting　116 　　7.2 　训练算法：基于错误提升分类器的性能　117 　　7.3 　基于单层决策树构建弱分类器　118 　　7.4 　完整AdaBoost算法的实现　122 　　7.5 　测试算法：基于AdaBoost的分类　124 　　7.6 　示例：在一个难数据集上应用AdaBoost　125 　　7.7 　非均衡分类问题　127 　　7.7.1 　其他分类性能度量指标：正确率、召回率及ROC曲线　128 　　7.7.2 　基于代价函数的分类器决策控制　131 　　7.7.3 　处理非均衡问题的数据抽样方法　132 　　7.8 　本章小结　132 　　第二部分　利用回归预测数值型数据 　　第8章　预测数值型数据：回归 　136 　　8.1 　用线性回归找到最佳拟合直线　136 　　8.2 　局部加权线性回归　141 　　8.3 　示例：预测鲍鱼的年龄　145 　　8.4 　缩减系数来“理解”数据　146 　　8.4.1 　岭回归　146 　　8.4.2 　lasso　148 　　8.4.3 　前向逐步回归　149 　　8.5 　权衡偏差与方差　152 　　8.6 　示例：预测乐高玩具套装的价格　153 　　8.6.1 　收集数据：使用Google购物的API　153 　　8.6.2 　训练算法：建立模型　155 　　8.7 　本章小结　158 　　第9章　树回归　159 　　9.1 　复杂数据的局部性建模　159 　　9.2 　连续和离散型特征的树的构建　160 　　9.3 　将CART算法用于回归　163 　　9.3.1 　构建树　163 　　9.3.2 　运行代码　165 　　9.4 　树剪枝　167 　　9.4.1 　预剪枝　167 　　9.4.2 　后剪枝　168 　　9.5 　模型树　170 　　9.6 　示例：树回归与标准回归的比较　173 　　9.7 　使用Python的Tkinter库创建GUI　176 　　9.7.1 　用Tkinter创建GUI　177 　　9.7.2 　集成Matplotlib和Tkinter　179 　　9.8 　本章小结　182 　　第三部分　无监督学习 　　第10章　利用K-均值聚类算法对未标注数据分组　184 　　10.1 　K-均值聚类算法　185 　　10.2 　使用后处理来提高聚类性能　189 　　10.3 　二分K-均值算法　190 　　10.4 　示例：对地图上的点进行聚类　193 　　10.4.1 　Yahoo! PlaceFinder API　194 　　10.4.2 　对地理坐标进行聚类　196 　　10.5 　本章小结　198 　　第11章　使用Apriori算法进行关联分析　200 　　11.1 　关联分析　201 　　11.2 　Apriori原理　202 　　11.3 　使用Apriori算法来发现频繁集　204 　　11.3.1 　生成候选项集　204 　　11.3.2 　组织完整的Apriori算法　207 　　11.4 　从频繁项集中挖掘关联规则　209 　　11.5 　示例：发现国会投票中的模式　212 　　11.5.1 　收集数据：构建美国国会投票记录的事务数据集　213 　　11.5.2 　测试算法：基于美国国会投票记录挖掘关联规则　219 　　11.6 　示例：发现毒蘑菇的相似特征　220 　　11.7 　本章小结　221 　　第12章　使用FP-growth算法来高效发现频繁项集　223 　　12.1 　FP树：用于编码数据集的有效方式　224 　　12.2 　构建FP树　225 　　12.2.1 　创建FP树的数据结构　226 　　12.2.2 　构建FP树　227 　　12.3 　从一棵FP树中挖掘频繁项集　231 　　12.3.1 　抽取条件模式基　231 　　12.3.2 　创建条件FP树　232 　　12.4 　示例：在Twitter源中发现一些共现词　235 　　12.5 　示例：从新闻网站点击流中挖掘　238 　　12.6 　本章小结　239 　　第四部分　其他工具 　　第13章　利用PCA来简化数据　242 　　13.1 　降维技术　242 　　13.2 　PCA　243 　　13.2.1 　移动坐标轴　243 　　13.2.2 　在NumPy中实现PCA　246 　　13.3 　示例：利用PCA对半导体制造数据降维　248 　　13.4 　本章小结　251 　　第14章　利用SVD简化数据　252 　　14.1 　SVD的应用　252 　　14.1.1 　隐性语义索引　253 　　14.1.2 　推荐系统　253 　　14.2 　矩阵分解　254 　　14.3 　利用Python实现SVD　255 　　14.4 　基于协同过滤的推荐引擎　257 　　14.4.1 　相似度计算　257 　　14.4.2 　基于物品的相似度还是基于用户的相似度？　260 　　14.4.3 　推荐引擎的评价　260 　　14.5 　示例：餐馆菜肴推荐引擎　260 　　14.5.1 　推荐未尝过的菜肴　261 　　14.5.2 　利用SVD提高推荐的效果　263 　　14.5.3 　构建推荐引擎面临的挑战　265 　　14.6 　基于SVD的图像压缩　266 　　14.7 　本章小结　268 　　第15章　大数据与MapReduce　270 　　15.1 　MapReduce：分布式计算的框架　271 　　15.2 　Hadoop流　273 　　15.2.1 　分布式计算均值和方差的mapper　273 　　15.2.2 　分布式计算均值和方差的reducer　274 　　15.3 　在Amazon网络服务上运行Hadoop程序　275 　　15.3.1 　AWS上的可用服务　276 　　15.3.2 　开启Amazon网络服务之旅　276 　　15.3.3 　在EMR上运行Hadoop作业　278 　　15.4 　MapReduce上的机器学习　282 　　15.5 　在Python中使用mrjob来自动化MapReduce　283 　　15.5.1 　mrjob与EMR的无缝集成　283 　　15.5.2 　mrjob的一个MapReduce脚本剖析　284 　　15.6 　示例：分布式SVM的Pegasos算法　286 　　15.6.1 　Pegasos算法　287 　　15.6.2 　训练算法：用mrjob实现MapReduce版本的SVM　288 　　15.7 　你真的需要MapReduce吗？　292 　　15.8 　本章小结　292 　　附录A 　Python入门　294 　　附录B 　线性代数　303 　　附录C 　概率论复习　309 　　附录D 　资源　312 　　索引　313

本书通过将ROS社区的宝贵开发经验和现实案例相结合，为你在机器人开发过程中遇到的问题提供切实可行的指南。不论你是机器人俱乐部的学生，还是专业的机器人科学家和工程师，都可以在本书中找到你想要的内容。书中的每部分都提供了使用ROS工具实现各类机器人系统的完整解决方案，不仅包括实现各种单一机器人任务，也包括将不同模块结合完成组合任务。在本书中，只要你熟悉Python，就可以开始动手实践。

pytorch深度学习框架虽然在一些方面上不如tensorflow，但是具备自己特有的优势，本代码是深度学习和pytorch之间的一些例程，以供学习～

对于无法通过pip直接安装的用户，可以通过终端窗口cd到该文件的目录，然后通过pip安装该whl文件，即可安装成功，numpy和mkl在python编程中的用处很广泛。

These Visual Studio packages do not alter the PATH variable or access the registry at all. If you wish to use the command-line interface to Graphviz or are using some other program that calls a Graphviz program, you will need to set the PATH variable yourself.

前1-9章内容。针对 ANSYS 14.5在有限元分析领域内的应用进行编写。书中讲述的内容是使用 ANSYS进行有限元分析的必备知识。通过全面学习本书，用户可以获得使用 ANSYS进行有限元分析的基本技能，并能快速掌握使用有限元分析进行工作的一般方法。