机器学习预测模型部署指南 一、机器学习导论 二、模型部署和挑战 三、作为 Web 服务的机器学习部署 四、使用 Docker 的机器学习部署 五、使用 Kubernetes 的机器学习部署 Sklearn 机器学习应用实用指南 一、Scikit-Learn 简介 二、简单训练集的分类 三、复杂训练集的分类 四、回归的预测建模 五、简单训练集的分类器调优 六、复杂训练集的分类器调优 七、回归调优 八、把所有的放在一起 物联网机器学习应用教程 一、入门:必要的软件和硬件 二、物联网和 IIoT 概述 三、在 Python 中使用 IoT、IIoT 和机器学习 四、在电信、能源和农业领域使用机器学习和物联网 五、为案例研究的实现做准备 六、配置能量计 七、电信行业案例研究:利用物联网解决通话丢失问题 八、甘塔拉发电厂:工业机器的预测性维护 九、农业产业案例研究:预测经济作物产量 精通 Python 机器学习的六个步骤 一、Python 3 入门 二、机器学习简介 三、机器学习的基础 四、模型诊断和调整 五、文本挖掘和推荐系统 六、深度强化学习 七、总结 Python 机器学习应用教程 一、医疗保健中的机器学习概述 二、医疗保健领域的关键技术进步 三、如何在医疗保健中实现机器学习 四、医疗保健人工智能案例研究 五、医疗保健中机器学习要避免的陷阱 六、医疗保健机器学习货币化 七、零售业中的机器学习概述 八、零售业的关键技术进步 九、如何在零售业实现机器学习 十、零售人工智能案例研究 十一、零售业机器学习要避免的陷阱 十二、将零售机器学习货币化 十三、金融中的机器学习综述 十四、金融领域的关键技术进步 十五、如何在金融领域实现机器学习 十六、金融人工智能案例研究 十七、金融领域机器学习要避免的陷阱 十八、金融机器学习货币化 PySpark 机器学习教程 一、数据的演变 二、机器学习导论 三、数据处理 四、线性回归 五、逻辑回归 六、随机森林 七、推荐系统 八、聚类 九、自然语言处理 Spark 下一代机器学习教程 一、机器学习导论 二、Spark 和 Spark MLlib 简介 三、监督学习 四、无监督学习 五、推荐 六、图分析 七、深度学习 医疗保健专业机器学习实践指南 一、人工智能及其用例介绍 二、计算思维 三、编程概述 四、机器学习算法简介 五、项目 1:预测入院的机器学习 六、项目 2:中枢神经系统和胸部 x 光肺炎检测 七、医疗保健和人工智能的未来 Java 机器学习实践指南 一、简介 二、数据:机器学习的燃料 三、利用云平台 四、算法:机器学习的大脑 五、机器学习环境 六、集成模型 机器学习算法高级教程 一、机器学习基础 二、线性回归 三、逻辑回归 四、决策树 五、随机森林 六、梯度提升器 七、人工神经网络 八、 Word2vec 九、卷积神经网络 十、循环神经网络 十一、聚类 十二、主成分分析 十三、推荐系统 十四、在云中实现算法 量子机器学习教程 一、量子机器的崛起:基础 二、机器学习 三、神经网络 四、量子信息科学 五、QML 算法 1 六、QML 算法 2 七、QML 技术 八、深度量子学习 九、QML:前方的路 Java 人工智能初学者实用手册 零、前言 一、人工智能和 Java 简介 二、探索搜索算法 三、人工智能游戏和基于规则的系统 四、与 Weka 接口 五、处理属性 六、监督学习 七、半监督和非监督学习 精通 Java 机器学习 零、前言 一、机器学习回顾 二、现实世界监督学习的实用方法 三、无监督机器学习技术 四、半监督和主动学习 五、实时流机器学习 六、概率图建模 七、深度学习 八、文本挖掘和自然语言处理 九、大数据机器学习——最后的前沿 十、附录 A:线性代数 十一、附录 B:概率 Java 机器学习 零、前言 一、应用机器学习快速入门 二、用于机器学习的 Java 库和平台 三、基本算法——分类、回归和聚类 四、集成的客户关系预测 五、亲和力分析 六、Apache Mahout 推荐引擎 七、欺诈和异常检测 八、使用 DL4J 的图像识别 九、利用手机传感器进行活动识别 十、基于 Mallet 主题建模的文本挖掘和垃圾邮件检测 十一、下一步是什么? Java 自然语言处理 零、前言 一、自然语言处理简介 二、查找部分文本 三、搜索语句 四、搜索人和事物 五、检测词性 六、用特征表示文本 七、信息检索 八、文本和文档分类 九、主题建模 十、使用解析器提取关系 十一、组合管道 十二、创建聊天机器人