转载请注明出处:https://www.cnblogs.com/wangzhenyao1994/p/10223666.html

文章发表的另一个地址:https://blog.csdn.net/wyz19940328/article/details/85700819

目前国内关于机器学习的内容多是Python或者Go或者C++的,.NET平台下的多是使用封装好的工具包,而几乎没有关于如何使用C#实现的内容。目前有翻译版本的NET平台下的机器学习的书籍,不过却是F#语言的,没有C#。

目录

1.机器学习的基本知识

机器学习概论

数据采集

人工智能

生物-AI

深度学习

概率与统计

开始你的机器学习项目

数据收集

数据准备

选择与训练模型

评估模型

调教模型

鸢尾花数据集

机器学习中的分类

监督式学习

偏差及方差的权衡

培训的数据量

输入空间维数

不正确的输出值

数据的多样性

无监督式学习

强化学习

构建、购买或开源

总结

2.贝叶斯定理-执行数据分析解决肇事逃逸之谜

概述朴素贝叶斯和图形化数据

总结

3.惩罚与奖励-强化学习

强化学习概况

Q-learning

SARSA

运行我们的应用程序

汉诺塔游戏

总结

4.模糊逻辑-穿越障碍

模糊逻辑

模糊的自主移动小车

总结

5.颜色混合-自组织映射和弹性神经网络

在SOM引擎下

总结

6. 面部和动态检测-图像过滤器

人脸检测

动态检测

将检测添加到应用程序中

总结

7. 百科全书与神经元——旅行推销员问题

旅行商问题

影响学习速率的参数

学习的有效范围

总结

8.我应该接受这份工作吗-使用决策树

决策树

决策节点

决策的变量

决策分支节点的集合

我应该接受这份工作吗?

Numl

Accord.NET 决策树

代码

混合矩阵

真-阳性

真-阴性

假-阳性

假-阴性

回忆

精度

可视化错误类型

总结

9.深层信念网络

受限波尔兹曼机

分层

电脑在做梦?

总结

10. 微基准测试和激活功能

使用视觉绘图方法

策划所有功能

主函数

确定基准点

总结

11. c# .NET中直观的深度学习

什么是深度学习?

OpenCL

OpenCL 层级

Kelp.Net Framework

函数

函数栈

函数字典

Caffe1

Loss

优化程序

数据集

测验

监测Kelp.Net

织布机

编写测试

基准测试函数

运行单个基准测试

总结

12. 机器学习建模的基础

关键ML任务和应用程序

构建ML模型的步骤

13. 垃圾邮件过滤

定义问题

准备数据

数据分析

构建数据的特征

逻辑回归与朴素贝叶斯的Email垃圾邮件过滤

分类模型验证

总结

14.情绪分析

15. 汇率预测

定义问题

准备数据

时间序列数据分析

构建数据的特征

移动平均数

布林线指标

延迟变量

线性回归与支持向量机的比较

模型验证

总结

16. 房屋和财产的公允价值

定义问题

分类变量和连续变量

无序分类变量

有序分类变量

连续变量

可变指标-售价

构建数据特征及编码

虚拟变量

特征编码

线性回归与支持向量机的比较

线性回归

向量机

具有多项式核的支持向量机

具有高斯核的支持向量机

模型验证

总结

17. 客户细分

定义问题

在线零售数据集的数据分析

处理缺失值

变量分布

18. 音乐风格推荐

定义问题

为音频数据集构建特征

目标变量的分布

音频特征- MFCC

音乐流派分类的ML模型

逻辑回归

支持向量机与高斯核心

朴素贝叶斯

集成基础学习模型

评估建议/排序模型

预测准确率

混淆矩阵

平均倒数排名

总结

19. 手写数字识别

定义问题

图像数据集的数据分析

目标变量分布

手写数字图像

图像特征-像素

构建特征和降维

将样例集拆分为训练集和测试集

PCA降维

ML模式的手写数字识别

加载数据

逻辑回归分类器

朴素贝叶斯分类器

神经网络分类器

评估多类分类模型

混淆矩阵

准确度和精密度/召回

特征(ROC)曲线和AUC

总结

20. 网络攻击检测

问题定义

互联网流量数据的数据分析

数据清理

目标变量分布

分类变量分布

连续变量分布

构建特征和主成分分析

目标和分类变量编码

合适的主成分分析

主元特征

用于异常检测的主成分分类器

准备训练

构建一个主成分分类器

评价异常检测模型

总结

21. 信用卡诈骗侦测

问题定义

匿名信用卡数据的数据分析

目标变量分布

特征分布

构建特征和主成分分析

准备构建特征

配置一个主成分分析

一类支持向量机和PCC

培训模型的准备

主成分分类器

一类支持向量机

评价异常检测模型

主成分分类器

一类支持向量机

总结

22. 下一步做什么

回顾

构建ML模型的步骤

分类模式

回归模型

聚类算法

现实生活中的挑战

数据问题

基础设施问题

可解释性与准确性

其他常见的技术

其他ML库

数据可视化库和工具

数据处理技术

总结

基于C#的机器学习--目录的更多相关文章

  1. 基于Python的机器学习实战:KNN

    1.KNN原理: 存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一个数据与所属分类的对应关系.输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应 ...

  2. Spark学习之基于MLlib的机器学习

    Spark学习之基于MLlib的机器学习 1. 机器学习算法尝试根据训练数据(training data)使得表示算法行为的数学目标最大化,并以此来进行预测或作出决定. 2. MLlib完成文本分类任 ...

  3. scikit-learn 和pandas 基于windows单机机器学习环境的搭建

    很多朋友想学习机器学习,却苦于环境的搭建,这里给出windows上scikit-learn研究开发环境的搭建步骤. Step 1. Python的安装 python有2.x和3.x的版本之分,但是很多 ...

  4. sshfs基于ssh挂载远程目录

    为了像本地一样访问远程主机上的目录,通常我们会在远程主机上使用nfs来导出目录,并在本地主机上mount这个nfs文件系统.如果是windows系统,则使用cifs或samba的方式来访问. 但可能我 ...

  5. 基于Python的机器学习实战:Apriori

    目录: 1.关联分析 2. Apriori 原理 3. 使用 Apriori 算法来发现频繁集 4.从频繁集中挖掘关联规则 5. 总结 1.关联分析  返回目录 关联分析是一种在大规模数据集中寻找有趣 ...

  6. 基于Python的机器学习实战:AadBoost

    目录: 1. Boosting方法的简介 2. AdaBoost算法 3.基于单层决策树构建弱分类器 4.完整的AdaBoost的算法实现 5.总结 1. Boosting方法的简介 返回目录 Boo ...

  7. 基于python的机器学习开发环境安装(最简单的初步开发环境)

    一.安装Python 1.下载安装python3.6 https://www.python.org/getit/ 2.配置环境变量(2个) 略...... 二.安装Python算法库 安装顺序:Num ...

  8. 基于Apache Spark机器学习的客户流失预测

    流失预测是个重要的业务,通过预测哪些客户可能取消对服务的订阅来最大限度地减少客户流失.虽然最初在电信行业使用,但它已经成为银行,互联网服务提供商,保险公司和其他垂直行业的通用业务. 预测过程是大规模数 ...

  9. 基于C#的机器学习--贝叶斯定理-执行数据分析解决肇事逃逸之谜

    贝叶斯定理-执行数据分析解决肇事逃逸之谜 ​ 在这一章中,我们将: 应用著名的贝叶斯定理来解决计算机科学中的一个非常著名的问题. 向您展示如何使用贝叶斯定理和朴素贝叶斯来绘制数据,从真值表中发现异常值 ...

随机推荐

  1. Linux 传输文件

    不同的Linux之间copy文件通常有4种方法: ftp samba服务 sftp scp 我使用了scp在同网段的内网 ip之间传输,非常快.所以先介绍下scp的方法: scp 是 ssh管道下的c ...

  2. JavaScript执行bat文件清理浏览器缓存

    function exec() { window.onerror = function (err) { if (err.indexOf('utomation') != -1) { alert('命令已 ...

  3. JS request函数 用来获取url参数

    function request(strParame) { var args = new Object( ); var query = location.search.substring(1); va ...

  4. [REFERENCE] Real-Time-Normal-Map-Dxt-Compression

    DXT5N & 3Dc(aka BC5) compression in common code & SIMD: http://mrelusive.com/publications/pa ...

  5. BZOJ 4551 树

    线段树+标记永久化. #include<iostream> #include<cstdio> #include<cstring> #include<algor ...

  6. const 成员方法

    1.使用场景 代码提供者告诉客户(代码使用者),这个方法不会修改对象的内容,请客户放心使用. 2.代码提供者,尝试在const成员方法中修改对象内容,编译报错.在成员方法中,this是const 指针 ...

  7. 2015第44周六tomcat集群了解

    对于WEB应用集群的技术实现而言,最大的难点就是如何能在集群中的多个节点之间保持数据的一致性,会话(Session)信息是这些数据中最重要的一块.要实现这一点,大体上有两种方式,一种是把所有Sessi ...

  8. Python入门 - 容器类型

    python的容器有四种:列表List,元祖Tuple,字典Dictionary和集合Set. 一.列表List a = [1, 2, 3, 'a', 'b', 'c'] b = 1.5 a.appe ...

  9. 如何为分布式系统优雅的更换RPC

    为啥需要更换RPC? 很多小伙伴都遇到过需要为分布式系统调用更换RPC的问题,为什么会遇到这种事呢?其实,在系统搭建初期,需求简单,架构简单,最重要的是请求量也少,所以很多系统都采用快速原型开发模式, ...

  10. java0618

    1. java的基本数据类型,各占多少字节? byte 8位 short 16位 int 32位 long 64位 float 32位 double 64位 boolean 1位 char 16位 2 ...