杂交水稻优化算法及其在机器学习优化中的应用 叶志伟,王明威,周雯 著.pdf
自然计算，通常是一类具有自适应、自组织、自学习能力的模型与算法，能够解决传统计算方法难以解决的各种复杂问题，是计算机科学与人工智能领域中重要的研究内容之一。遗传算法等经典自然计算方法从诞生至今已经各自演变成相对独立的人工智能研究领域，半个多世纪以来不断得到改进，衍生出众多新方法，
机器学习
机器学习数学基础 赵建容,顾先明 编著.pdf
《机器学习数学基础》*先介绍机器学习的矩阵代数基础, 包括线性代数基础、范数理论与投影映射、矩阵分解及应用、梯度矩阵; 然后介绍机器学习的概率与优化基础, 包含概率统计与信息论基础、凸函数、优化理论、迭代算法; *后介绍几个**的机器学习模型. 阅读《机器学习数学基础》需要微积分
高通量多尺度材料计算和机器学习 杨小渝 著.pdf
传统材料研发模式主要基于实验“试错法”，其研发周期长、效率低，人工智能驱动的科研范式变革和新材料数字化研发模式能有效地降低研发成本，缩短研发周期。《高通量多尺度材料计算和机器学习》基于计算、数据、AI和实验“四位一体”的新材料集成式智能化研发理念，提出了基于材料基因编码的新材料智
基于机器学习的Web服务质量预测 武浩,岳昆 著.pdf
服务质量预测是服务计算的一个重要研究分支，是支撑服务发现和服务管理的有力技术工具。经过多年发展，服务质量预测已聚焦到如何利用机器学习技术解决情境感知的应用需求问题。《基于机器学习的Web服务质量预测》围绕此议题，针对静态、动态、多属性、拓扑感知、虚拟机等场景下服务质量预测问题，分
机器学习中的交替方向乘子法 林宙辰,李欢,方聪 著.pdf
使用机器学习技术解决实际应用问题涉及模型的建立、训练及评估等步骤。优化算法常被用于训练模型的参数，是机器学习的重要组成部分。机器学习模型的训练可以建模成无约束优化问题或带约束优化问题，约束可以为模型增加更多的先验知识。基于梯度的算法（例如加速梯度法、随机梯度法等）是求解无约束优化
组学机器学习 刘琦.pdf
人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。《组学机器学习》面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、
量子张量网络机器学习 赖红等 著.pdf
本书力求用兼具浅白和学术的语言介绍量子张量网络中的抽象概念,包括量子、叠加、纠缠、测量、量子概率、三种著名的量子算法——Shor算法、Grover算法和HHL算法、张量、张量分解、四种典型张量网络态、TEBD算法、密度矩阵重整化群等，进而揭开这些概念自身本质和概念之间关系的面纱,
基于机器学习的网络流量识别算法及其应用 董仕 著.pdf
网络流量识别是网络监控的关键环节，在网络管理中起着至关重要的作用，机器学习作为一种技术手段已经应用到网络流量识别过程中，并成为该领域的研究热点。基于机器学习的网络流量识别算法通过对流量行为测度的分析与度量来构建满足不同应用场景的流量识别需求模型。本书共9章，首先分析机器学习在流量
材料信息学导论.上，机器学习基础 张统一 著.pdf
材料信息学是一门新兴的交叉学科，为在材料基因组理念下加速材料科学研究和技术发展提供了一个全新的方法。作为材料和力学学者，作者在推动材料信息学发展方面做了大量工作，在人工智能（AI）、机器学习（ML）和材料科学技术融合交叉方面，有诸多的尝试和心得体会。作者旨在写一本易懂的材料信息学
机器学习技术与应用教程 史巧硕,毕晓博,李林昊 主编.pdf
本书内容涵盖机器学习基础知识的各个方面。全书分为10章。第1～3章介绍机器学习的基础知识和数学基础；第4～8章介绍常用的有监督学习算法；第9章介绍常见的无监督学习算法，讨论聚类算法和PCA降维算法的相关知识；第10章介绍关联算法，并对Apriori算法、FP-growth算法的原
- «
- »