大数据与人工智能导论（第二版）

附录D Python语法知识

附录C 拉格朗日对偶性

附录B 梯度下降

附录A 矩阵基础

参考文献

7.2 深度学习项目实战

7.1 基本数据分析

第7章 数据分析实例

6.5 深度强化学习

6.4 策略梯度方法

6.3 时序差分学习

6.2 动态规划

6.1 有限马尔可夫决策过程

第6章 强化学习简介

5.4 生成对抗网络

5.3 循环神经网络

5.2 卷积神经网络

5.1 从神经网络到深度神经网络

第5章 深度学习简介

4.10 降维与特征选择

4.9 聚类

4.8 神经网络

4.7 集成学习

4.6 支持向量机

4.5 逻辑斯蒂回归

4.4 线性回归

4.3 朴素贝叶斯理论

4.2 决策树理论

4.1 机器学习绪论

第4章 机器学习算法

3.6 Flink简介

3.5 Storm简介

3.4 Spark简介

3.3 MapReduce编程

3.2 Hadoop大数据处理框架

3.1 Hadoop简介

第3章 大数据框架

2.7 数据的可视化

2.6 模型的构建与评估

2.5 数据的预处理技术

2.4 数据的存储与数据仓库

2.3 数据的获取

2.2 数据工程的一般流程

2.1 数据的多样性

第2章 数据工程

1.3 大数据与人工智能的机遇与挑战

1.2 人工智能

1.1 日益增长的数据

第1章 绪论

前言

内容提要

版权页

封面

封面

版权页

内容提要

前言

第1章 绪论

1.1 日益增长的数据

1.2 人工智能

1.3 大数据与人工智能的机遇与挑战

第2章 数据工程

2.1 数据的多样性

2.2 数据工程的一般流程

2.3 数据的获取

2.4 数据的存储与数据仓库

2.5 数据的预处理技术

2.6 模型的构建与评估

2.7 数据的可视化

第3章 大数据框架

3.1 Hadoop简介

3.2 Hadoop大数据处理框架

3.3 MapReduce编程

3.4 Spark简介

3.5 Storm简介

3.6 Flink简介

第4章 机器学习算法

4.1 机器学习绪论

4.2 决策树理论

4.3 朴素贝叶斯理论

4.4 线性回归

4.5 逻辑斯蒂回归

4.6 支持向量机

4.7 集成学习

4.8 神经网络

4.9 聚类

4.10 降维与特征选择

第5章 深度学习简介

5.1 从神经网络到深度神经网络

5.2 卷积神经网络

5.3 循环神经网络

5.4 生成对抗网络

第6章 强化学习简介

6.1 有限马尔可夫决策过程

6.2 动态规划

6.3 时序差分学习

6.4 策略梯度方法

6.5 深度强化学习

第7章 数据分析实例

7.1 基本数据分析

7.2 深度学习项目实战

参考文献

附录A 矩阵基础

附录B 梯度下降

附录C 拉格朗日对偶性

附录D Python语法知识