- 博客(7)
- 资源 (50)
- 收藏
- 关注
RSS订阅
1872机器学习入门教程 适合初学者学习
机器学习这门学科所关注的问题是：计算机程序如何随着经验积累自动提高性能？近年来，机器学习被成功地应用于很多领域，从检测信用卡交易欺诈的数据挖掘程序，到获取用户阅读兴趣的信息过滤系统，再到能在高速公路上自动行驶的汽车。同时，这个学科的基础理论和算法也有了重大的进展。
这本教材的目标是展现机器学习中核心的算法和理论。机器学习从很多学科吸收了成果和概念，包括统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等。我相信，研究机器学习的最佳途径是从这些学科的观点看待机器学习，并且以此来理解问题的背景、算法以及其中隐含的假定。这些在以往很难做到，因为在这一领域缺少包容广泛的原始资料。这本书的主要目的就是提供这样的一份资料。
本书共有13章，共14 个doc（一个为前言）文件组成
2014-08-18
算法导论 全（第二版）.pdf
算法导论 完全版 第二版
目录（Table of Contents）
前言（Preface）
第一部分（Part I） 基础（Foundations）
第一章 计算中算法的角色（The Role of Algorithms in Computing）
第二章 开始（Getting Started）
第三章 函数的增长率（Growth of Functions）
第四章 递归（Recurrences）
第五章 概率分析与随机化算法（Probabilistic Analysis and Randomized Algorithms）
第二部分（Part II） 排序与顺序统计（Sorting and Order Statistics）
第六章 堆排序（Heapsort）
第七章快速排序（Quicksort）
第八章 线性时间中的排序（Sorting in Linear Time）
第九章 中值与顺序统计（Medians and Order Statistics）
第三部分（Part III） 数据结构（Data Structures）
第十章 基本的数据结构（Elementary Data Structures）
第十一章 散列表（Hash Tables）
第十二章 二叉查找树（Binary Search Trees）
第十三章 红-黑树（Red-Black Trees）
第十四章 扩充的数据结构（Augmenting Data Structures）
第四部分（Part IV） 高级的设计与分析技术（Advanced Design and Analysis Techniques）
第十五章 动态规划（Dynamic Programming）
第十六章 贪婪算法（Greedy Algorithms）
第十七章 分摊分析（Amortized Analysis）
第五部分（Part V） 高级的数据结构（Advanced Data Structures）
第十八章 B-树（B-Trees）
第十九章 二项式堆（Binomial Heaps）
第二十章 斐波纳契堆（Fibonacci Heaps）
第二十一章 不相交集的数据结构（Data Structures for Disjoint Sets）
第六部分（Part VI） 图算法（Graph Algorithms）
第二十二章 基本的图算法（Elementary Graph Algorithms）
第二十三章 最小生成树（Minimum Spanning Trees）
第二十四章单源最短路径（Single-Source Shortest Paths）
第二十五章 全对的最短路径（All-Pairs Shortest Paths）
第二十六章 最大流（Maximum Flow）
第七部分（Part VII） 精选的主题（Selected Topics）
第二十七章 排序网络（Sorting Networks）
第二十八章矩阵运算（Matrix Operations）
第二十九章 线性规划（Linear Programming）
第三十章 多项式与快速傅里叶变换（Polynomials and the FFT）
第三十一章 数论算法（Number-Theoretic Algorithms）
第三十二章 字符串匹配（String Matching）
第三十三章 计算几何学（Computational Geometry）
第三十四章 NP-完备性（NP-Completeness）
第三十五章 近似算法（Approximation Algorithms）
第八部分（Part VIII） 附录：数学背景（Mathematical Background）
附录A 求和（Summations）
附录B 集合，等等。（Sets, Etc.）
附录C 计数与概率（Counting and Probability）
参考文献（Bibliography）
索引（Index）
2014-08-18
Hadoop权威指南 第2版 中文版
目录
第1章
初识Hadoop 1 数据！数据！
1 数据存储与分析
3 与其他系统相比
4 关系型数据库管理系统
4 网格计算
6 志愿计算
8 Hadoop发展简史
9 Apache Hadoop和Hadoop生态圈
12
第2章 关于MapReduce
第16章 实例分析
2014-08-11
Mahout in Action 中文版
mahout是可以跑在hadoop之上的机器学习库，mahout in action是mahout的官方标准教材。这个资料就是mahout in action的中文版。
2014-08-10
从N选取M个数的所有组合数C++描述C++描述
从N选取M个数的所有组合数C++描述
思路：
第一位可以取N中的任何一个,第二位只能取第一位后面的数字任何一个,
即第M位只能取第M-1位后面的数字任何一个，每一位递归一次
2013-10-20
求解迷宫全部路径问题
问题描述：
以一个m*n的长方阵表示迷宫，0和1分别表示迷宫中的通路和障碍。设计一个程序，对任意设定的迷宫，求出从入口（0，0）到出口（m-1，n-1）的通路和通路总数，或得出没有通路的结论。例如下图，
0（入口） 1 0 1 0
0 0 0 1 0
0 1 1 0 0
0 0 0 0 0
0 1 0 0 0（出口）
从入口到出口有6条不同的通路。
而下图：
0 0 1 0 0 0 1 0
0 0 1 0 0 0 1 0
0 0 0 0 1 1 0 1
0 1 1 1 0 0 1 0
0 0 0 1 0 0 0 0
0 1 0 0 0 1 0 1
0 1 1 1 1 0 0 1
1 1 0 0 0 1 0 1
1 1 0 0 0 0 0 0
从入口到出口则没有通路。
算法设计：
给定一个m*n的长方阵表示迷宫，设计算法输出入口到出口的通路和通路总数，或得出没有通路的结论。
算法提示：
和皇后问题与分书问题类似。可以用二维数组存储迷宫数据，对于迷宫中任一位置，均可约定有东、南、西、北四个方向可通。从当前位置a（用（x，y）表示一个位置，假定它是以向右的x轴和向下的y轴组成的平面上的一个点）出发依次尝试四个方向是否有路，若某个方向的位置b可通，则按照同样的方法继续从b出发寻找。若到达出口，则找到一条通路。
数据输入：
由文件input.txt 提供输入数据。第一行是m和n的值，空格分隔，其后共m行。每行有n个数字，数和数之间用空格分隔。
结果输出：
将计算出的所有从入口到出口的通路输出到文件output.txt 中。若没有通路，则将0写入文件中。
2013-10-07
求解迷宫最短路径算法
给出一个迷宫 2维数组 求解迷宫的最短路径问题
例如
int mg[10][10]=
{
{1,1,1,1,1,1,1,1,1,1},
{1,0,0,1,0,0,0,1,0,1},
{1,0,0,1,0,0,0,1,0,1},
{1,0,0,0,0,1,1,0,0,1},
{1,0,1,1,1,0,0,0,0,1},
{1,0,0,0,1,0,0,0,0,1},
{1,0,1,0,0,0,1,0,0,1},
{1,0,1,1,1,0,1,1,0,1},
{1,1,0,0,0,0,0,0,0,1},
{1,1,1,1,1,1,1,1,1,1},
};
2013-10-07
若水老师 Android开发从零开始（课件ppt+源代码）
若水老师 从零基础android教程 源代码 和 教程ppt 不骗人，在csdn上没下到还扣了我的积分，我是在其他上面找的的，分享给大家
2013-08-20
白话大数据与机器学习_pdf高清
资深大数据专家多年实战经验总结，拒绝晦涩，开启大数据与机器学习妙趣之旅。以降低学习曲线和阅读难度为宗旨，系统讲解统计学、数据挖掘算法、实际应用案例、数据价值与变现，以及高级拓展技能，并清晰勾勒出大数据技术路线与产业蓝图。
本书共分18章。用通俗易懂的语言，结合大量案例与漫画，不枯燥，实用、接地气。
第1～5章，这部分是大数据入门所需的系统性知识，剖析大数据产业、数据与信息算法等的关系，妙解数学基础（排列组合、概率、统计与分布），以及指标化运营及体系构建。这部分补足读者的产业与相关概念认知，以及所需的数学知识。为下面的数据挖掘算法的理解与应用夯实基础。
第6～8章，这部分介绍数据挖掘基础知识与算法，讲解了与数据息息相关的信息论，重点讲解了：多维向量空间（向量和维度、矩阵及其计算、上卷和下钻）；
回归（线性回归、残差分析、拟合相关问题）；
聚类（K-Means算法、有趣模式、孤立点、层次与密度聚类，聚类的评估等）；
分类（朴素贝叶斯、决策树归纳、随机森林、隐马尔科夫模型、SVM、遗传算法）。
第11～18章，这部分介绍生产应用与高级扩展。其中第11～15章介绍生产应用实践，涵盖关联分析、用户画像、推荐算法、文本挖掘、人工神经网络。这些也是工业界和学术界研究的热点。第16章讲解了著名的大数据框架及其安装与配置，如Hadoop、Spark、Cassandra、PrestoDB。第17章从速度与稳定性维度介绍了大数据系统的架构与调优。第18章则从数据运营、评估、展现与变现场景层面进行了解读。
附录部分给出了大数据平台运行可能需要的软件和库，以及群众如何看待炙手可热的大数据。---------《京东》
2017-10-01
《深度学习》 ai 圣经 花书
《深度学习》由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。--开源免费学习交流，
2017-09-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人