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
生物信息学中的机器学习分析方法.pdf
本书针对生物信息学领域中海量的生物数据，分别从微阵列数据的分析和处理、基因调控网络的分析和构建以及蛋白质相互作用网络的分析等角度，系统介绍机器学习、统计学习及各种智能算法在生物信息学相关领域的应用。
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
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,
Hadoop/Spark大数据机器学习.pdf
人类已进入大数据时代。大数据是指具有海量（volume）、多模态（variety）、变化速度快（velocity）、蕴含价值高（value）和不精确性高（veracity）“5V”特征的数据。大数据给传统的机器学习带来巨大的挑战，已引起学术界和工业界的高度关注。Hadoop和Sp
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
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
机器学习视角的结构健康监测.pdf
本书针对结构健康监测的特点，将统计模式识别引入健康监测问题中，从而建立该类问题的最有效解决框架。内容包括结构响应信号的传感和采集、损伤敏感特征分析、结构异常诊断、基于统计模式识别方法的损伤诊断、结构状态评估。本书的编写力求理论与工程实践相结合，提供了大量的应用范例供参考。
基于机器学习的轴承智能健康预警与故障预测.pdf
本书为数据驱动的轴承智能化故障检测、故障诊断和剩余寿命预测提供了较为完整的机器学习解决方案。第1 章介绍了轴承健康预警与故障预测的意义、发展趋势、国内外研究现状和关键挑战；第2 章介绍了常用的机器学习理论基础；第3～5 章介绍了故障诊断方法，分别采用深度学习、不均衡分类、结构化学