基于C#的机器学习--目录

转载请注明出处: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

转载请注明出处:https://blog.csdn.net/wyz19940328/article/details/85700819

你可能感兴趣的:(C#,人工智能)