- 浏览: 40804 次
- 性别:
- 来自: 广州
文章分类
最新评论
机器学习实战
数字版权声明 2
作、译者简介 3
扉页 4
版权页 5
致约瑟夫与米洛 6
译者序 7
前言 9
关于本书 11
致谢 15
关于封面 14
目录 16
第一部分 分类 20
第1 章 机器学习基础 21
1.1 何谓机器学习 22
1.1.1 传感器和海量数据 23
1.1.2 机器学习非常重要 24
1.2 关键术语 24
1.3 机器学习的主要任务 26
1.4 如何选择合适的算法 27
1.5 开发机器学习应用程序的步骤 28
1.6 Python语言的优势 29
1.6.1 可执行伪代码 29
1.6.2 Python 比较流行 29
1.6.3 Python 语言的特色 30
1.6.4 Python 语言的缺点 30
1.7 NumPy函数库基础 31
1.8 本章小结 32
第2 章 k-近邻算法 34
2.1 k-近邻算法概述 34
2.1.1 准备:使用Python 导入数据 36
2.1.2 从文本文件中解析数据 38
2.1.3 如何测试分类器 39
2.2 示例:使用k-近邻算法改进约会网站的配对效果 39
2.2.1 准备数据:从文本文件中解析数据 40
2.2.2 分析数据:使用Matplotlib 创建散点图 42
2.2.3 准备数据:归一化数值 44
2.2.4 测试算法:作为完整程序验证分类器 45
2.2.5 使用算法:构建完整可用系统 47
2.3 示例:手写识别系统 47
2.3.1 准备数据:将图像转换为测试向量 48
2.3.2 测试算法:使用k-近邻算法识别手写数字 49
2.4 本章小结 50
第3 章 决策树 51
3.1 决策树的构造 52
3.1.1 信息增益 54
3.1.2 划分数据集 56
3.1.3 递归构建决策树 59
3.2 在Python中使用Matplotlib注解绘制树形图 61
3.2.1 Matplotlib 注解 62
3.2.2 构造注解树 64
3.3 测试和存储分类器 67
3.3.1 测试算法:使用决策树执行分类 68
3.3.2 使用算法:决策树的存储 69
3.4 示例:使用决策树预测隐形眼镜类型 69
3.5 本章小结 71
第4 章 基于概率论的分类方法:朴素贝叶斯 72
4.1 基于贝叶斯决策理论的分类方法 72
4.3 使用条件概率来分类 75
4.4 使用朴素贝叶斯进行文档分类 76
4.5 使用Python进行文本分类 77
4.5.1 准备数据:从文本中构建词向量 77
4.5.2 训练算法:从词向量计算概率 79
4.5.3 测试算法:根据现实情况修改分类器 81
4.5.4 准备数据:文档词袋模型 83
4.6 示例:使用朴素贝叶斯过滤垃圾邮件 83
4.6.1 准备数据:切分文本 84
4.6.2 测试算法:使用朴素贝叶斯进行交叉验证 85
4.7 示例:使用朴素贝叶斯分类器从个人广告中获取区域倾向 87
4.7.1 收集数据:导入RSS 源 87
4.7.2 分析数据:显示地域相关的用词 90
4.8 本章小结 91
第5 章 Logistic 回归 92
5.1 基于Logistic回归和Sigmoid函数的分类 93
5.2 基于最优化方法的最佳回归系数确定 94
5.2.1 梯度上升法 95
5.2.2 训练算法:使用梯度上升找到最佳参数 96
5.2.3 分析数据:画出决策边界 98
5.2.4 训练算法:随机梯度上升 99
5.3 示例:从疝气病症预测病马的死亡率 104
5.3.1 准备数据:处理数据中的缺失值 104
5.4 本章小结 107
第6 章 支持向量机 108
6.1 基于最大间隔分隔数据 108
6.2 寻找最大间隔 110
6.2.1 分类器求解的优化问题 111
6.2.2 SVM 应用的一般框架 112
6.3 SMO高效优化算法 113
6.3.1 Platt 的SMO 算法 113
6.3.2 应用简化版SMO 算法处理小规模数据集 113
6.4 利用完整Platt SMO算法加速优化 118
6.5 在复杂数据上应用核函数 124
6.5.1 利用核函数将数据映射到高维空间 125
6.5.2 径向基核函数 125
6.5.3 在测试中使用核函数 127
6.6 示例:手写识别问题回顾 130
6.7 本章小结 132
第7 章 利用AdaBoost 元算法提高分类性能 134
7.1 基于数据集多重抽样的分类器 134
7.1.1 bagging:基于数据随机重抽样的分类器构建方法 135
7.1.2 boosting 135
7.2 训练算法:基于错误提升分类器的性能 136
7.3 基于单层决策树构建弱分类器 137
7.4 完整AdaBoost算法的实现 141
7.5 测试算法:基于AdaBoost的分类 143
7.6 示例:在一个难数据集上应用AdaBoost 144
7.7 非均衡分类问题 146
7.7.1 其他分类性能度量指标:正确率、召回率及ROC 曲线 147
7.7.2 基于代价函数的分类器决策控制 150
7.7.3 处理非均衡问题的数据抽样方法 151
7.8 本章小结 151
第二部分 利用回归预测数值型数据 154
第8 章 预测数值型数据:回归 154
8.1 用线性回归找到最佳拟合直线 154
8.2 局部加权线性回归 159
8.3 示例:预测鲍鱼的年龄 163
8.4 缩减系数来“理解”数据 164
8.4.1 岭回归 164
8.4.2 lasso 166
8.4.3 前向逐步回归 167
8.5 权衡偏差与方差 170
8.6 示例:预测乐高玩具套装的价格 171
8.6.1 收集数据:使用Google 购物的API 172
8.6.2 训练算法:建立模型 173
8.7 本章小结 176
第9 章 树回归 177
9.1 复杂数据的局部性建模 177
9.2 连续和离散型特征的树的构建 178
9.3 将CART算法用于回归 181
9.3.1 构建树 181
9.3.2 运行代码 183
9.4 树剪枝 185
9.4.1 预剪枝 185
9.4.2 后剪枝 187
9.5 模型树 188
9.6 示例:树回归与标准回归的比较 191
9.7 使用Python的Tkinter库创建GUI 194
9.7.1 用Tkinter 创建GUI 195
9.7.2 集成Matplotlib 和Tkinter 197
9.8 本章小结 200
第三部分 无监督学习 202
第10 章 利用K-均值聚类算法对未标注数据分组 202
10.1 K-均值聚类算法 203
10.2 使用后处理来提高聚类性能 207
10.3 二分K-均值算法 208
10.4 示例:对地图上的点进行聚类 211
10.4.1 Yahoo! PlaceFinder API 212
10.4.2 对地理坐标进行聚类 214
10.5 本章小结 216
第11 章 使用Apriori 算法进行关联分析 218
11.1 关联分析 219
11.2 Apriori原理 220
11.3 使用Apriori算法来发现频繁集 222
11.3.1 生成候选项集 222
11.3.2 组织完整的Apriori 算法 225
11.4 从频繁项集中挖掘关联规则 227
11.5 示例:发现国会投票中的模式 230
11.5.1 收集数据:构建美国国会投票记录的事务数据集 231
11.5.2 测试算法:基于美国国会投票记录挖掘关联规则 237
11.6 示例:发现毒蘑菇的相似特征 238
11.7 本章小结 239
第12 章 使用FP-growth 算法来高效发现频繁项集 241
12.1 FP树:用于编码数据集的有效方式 242
12.2 构建FP树 243
12.2.1 创建FP 树的数据结构 244
12.2.2 构建FP 树 245
12.3 从一棵FP树中挖掘频繁项集 249
12.3.1 抽取条件模式基 249
12.3.2 创建条件FP 树 250
12.4 示例:在Twitter源中发现一些共现词 253
12.5 示例:从新闻网站点击流中挖掘 256
12.6 本章小结 257
第四部分 其他工具 258
第13 章 利用PCA 来简化数据 259
13.1 降维技术 259
13.2 PCA 260
13.2.1 移动坐标轴 261
13.2.2 在NumPy 中实现PCA 263
13.3 示例:利用PCA对半导体制造数据降维 265
13.4 本章小结 268
第14 章 利用SVD 简化数据 269
14.1 SVD的应用 269
14.1.1 隐性语义索引 270
14.1.2 推荐系统 270
14.2 矩阵分解 271
14.3 利用Python实现SVD 272
14.4 基于协同过滤的推荐引擎 274
14.4.1 相似度计算 275
14.4.2 基于物品的相似度还是基于用户的相似度? 277
14.4.3 推荐引擎的评价 277
14.5 示例:餐馆菜肴推荐引擎 277
14.5.1 推荐未尝过的菜肴 278
14.5.2 利用SVD 提高推荐的效果 280
14.5.3 构建推荐引擎面临的挑战 282
14.6 基于SVD的图像压缩 283
14.7 本章小结 285
第15 章 大数据与MapReduce 287
15.1 MapReduce:分布式计算的框架 288
15.2 Hadoop流 290
15.2.1 分布式计算均值和方差的mapper 290
15.2.2 分布式计算均值和方差的reducer 291
15.3 在Amazon网络服务上运行Hadoop程序 292
15.3.1 AWS 上的可用服务 293
15.3.2 开启Amazon 网络服务之旅 293
15.3.3 在EMR 上运行Hadoop 作业 295
15.4 MapReduce上的机器学习 299
15.5 在Python中使用mrjob来自动化MapReduce 300
15.5.1 mrjob 与EMR 的无缝集成 300
15.5.2 mrjob 的一个MapReduce 脚本剖析 301
15.6 示例:分布式SVM的Pegasos算法 303
15.6.1 Pegasos 算法 304
15.6.2 训练算法:用mrjob 实现MapReduce 版本的SVM 305
15.7 你真的需要MapReduce吗? 309
15.8 本章小结 309
附录A Python 入门 311
附录B 线性代数 320
附录C 概率论复习 326
附录D 资源 329
索引 330
版权声明 333
图书介绍 334
封底 335
欢迎加入图灵社区 336
数字版权声明 2
作、译者简介 3
扉页 4
版权页 5
致约瑟夫与米洛 6
译者序 7
前言 9
关于本书 11
致谢 15
关于封面 14
目录 16
第一部分 分类 20
第1 章 机器学习基础 21
1.1 何谓机器学习 22
1.1.1 传感器和海量数据 23
1.1.2 机器学习非常重要 24
1.2 关键术语 24
1.3 机器学习的主要任务 26
1.4 如何选择合适的算法 27
1.5 开发机器学习应用程序的步骤 28
1.6 Python语言的优势 29
1.6.1 可执行伪代码 29
1.6.2 Python 比较流行 29
1.6.3 Python 语言的特色 30
1.6.4 Python 语言的缺点 30
1.7 NumPy函数库基础 31
1.8 本章小结 32
第2 章 k-近邻算法 34
2.1 k-近邻算法概述 34
2.1.1 准备:使用Python 导入数据 36
2.1.2 从文本文件中解析数据 38
2.1.3 如何测试分类器 39
2.2 示例:使用k-近邻算法改进约会网站的配对效果 39
2.2.1 准备数据:从文本文件中解析数据 40
2.2.2 分析数据:使用Matplotlib 创建散点图 42
2.2.3 准备数据:归一化数值 44
2.2.4 测试算法:作为完整程序验证分类器 45
2.2.5 使用算法:构建完整可用系统 47
2.3 示例:手写识别系统 47
2.3.1 准备数据:将图像转换为测试向量 48
2.3.2 测试算法:使用k-近邻算法识别手写数字 49
2.4 本章小结 50
第3 章 决策树 51
3.1 决策树的构造 52
3.1.1 信息增益 54
3.1.2 划分数据集 56
3.1.3 递归构建决策树 59
3.2 在Python中使用Matplotlib注解绘制树形图 61
3.2.1 Matplotlib 注解 62
3.2.2 构造注解树 64
3.3 测试和存储分类器 67
3.3.1 测试算法:使用决策树执行分类 68
3.3.2 使用算法:决策树的存储 69
3.4 示例:使用决策树预测隐形眼镜类型 69
3.5 本章小结 71
第4 章 基于概率论的分类方法:朴素贝叶斯 72
4.1 基于贝叶斯决策理论的分类方法 72
4.3 使用条件概率来分类 75
4.4 使用朴素贝叶斯进行文档分类 76
4.5 使用Python进行文本分类 77
4.5.1 准备数据:从文本中构建词向量 77
4.5.2 训练算法:从词向量计算概率 79
4.5.3 测试算法:根据现实情况修改分类器 81
4.5.4 准备数据:文档词袋模型 83
4.6 示例:使用朴素贝叶斯过滤垃圾邮件 83
4.6.1 准备数据:切分文本 84
4.6.2 测试算法:使用朴素贝叶斯进行交叉验证 85
4.7 示例:使用朴素贝叶斯分类器从个人广告中获取区域倾向 87
4.7.1 收集数据:导入RSS 源 87
4.7.2 分析数据:显示地域相关的用词 90
4.8 本章小结 91
第5 章 Logistic 回归 92
5.1 基于Logistic回归和Sigmoid函数的分类 93
5.2 基于最优化方法的最佳回归系数确定 94
5.2.1 梯度上升法 95
5.2.2 训练算法:使用梯度上升找到最佳参数 96
5.2.3 分析数据:画出决策边界 98
5.2.4 训练算法:随机梯度上升 99
5.3 示例:从疝气病症预测病马的死亡率 104
5.3.1 准备数据:处理数据中的缺失值 104
5.4 本章小结 107
第6 章 支持向量机 108
6.1 基于最大间隔分隔数据 108
6.2 寻找最大间隔 110
6.2.1 分类器求解的优化问题 111
6.2.2 SVM 应用的一般框架 112
6.3 SMO高效优化算法 113
6.3.1 Platt 的SMO 算法 113
6.3.2 应用简化版SMO 算法处理小规模数据集 113
6.4 利用完整Platt SMO算法加速优化 118
6.5 在复杂数据上应用核函数 124
6.5.1 利用核函数将数据映射到高维空间 125
6.5.2 径向基核函数 125
6.5.3 在测试中使用核函数 127
6.6 示例:手写识别问题回顾 130
6.7 本章小结 132
第7 章 利用AdaBoost 元算法提高分类性能 134
7.1 基于数据集多重抽样的分类器 134
7.1.1 bagging:基于数据随机重抽样的分类器构建方法 135
7.1.2 boosting 135
7.2 训练算法:基于错误提升分类器的性能 136
7.3 基于单层决策树构建弱分类器 137
7.4 完整AdaBoost算法的实现 141
7.5 测试算法:基于AdaBoost的分类 143
7.6 示例:在一个难数据集上应用AdaBoost 144
7.7 非均衡分类问题 146
7.7.1 其他分类性能度量指标:正确率、召回率及ROC 曲线 147
7.7.2 基于代价函数的分类器决策控制 150
7.7.3 处理非均衡问题的数据抽样方法 151
7.8 本章小结 151
第二部分 利用回归预测数值型数据 154
第8 章 预测数值型数据:回归 154
8.1 用线性回归找到最佳拟合直线 154
8.2 局部加权线性回归 159
8.3 示例:预测鲍鱼的年龄 163
8.4 缩减系数来“理解”数据 164
8.4.1 岭回归 164
8.4.2 lasso 166
8.4.3 前向逐步回归 167
8.5 权衡偏差与方差 170
8.6 示例:预测乐高玩具套装的价格 171
8.6.1 收集数据:使用Google 购物的API 172
8.6.2 训练算法:建立模型 173
8.7 本章小结 176
第9 章 树回归 177
9.1 复杂数据的局部性建模 177
9.2 连续和离散型特征的树的构建 178
9.3 将CART算法用于回归 181
9.3.1 构建树 181
9.3.2 运行代码 183
9.4 树剪枝 185
9.4.1 预剪枝 185
9.4.2 后剪枝 187
9.5 模型树 188
9.6 示例:树回归与标准回归的比较 191
9.7 使用Python的Tkinter库创建GUI 194
9.7.1 用Tkinter 创建GUI 195
9.7.2 集成Matplotlib 和Tkinter 197
9.8 本章小结 200
第三部分 无监督学习 202
第10 章 利用K-均值聚类算法对未标注数据分组 202
10.1 K-均值聚类算法 203
10.2 使用后处理来提高聚类性能 207
10.3 二分K-均值算法 208
10.4 示例:对地图上的点进行聚类 211
10.4.1 Yahoo! PlaceFinder API 212
10.4.2 对地理坐标进行聚类 214
10.5 本章小结 216
第11 章 使用Apriori 算法进行关联分析 218
11.1 关联分析 219
11.2 Apriori原理 220
11.3 使用Apriori算法来发现频繁集 222
11.3.1 生成候选项集 222
11.3.2 组织完整的Apriori 算法 225
11.4 从频繁项集中挖掘关联规则 227
11.5 示例:发现国会投票中的模式 230
11.5.1 收集数据:构建美国国会投票记录的事务数据集 231
11.5.2 测试算法:基于美国国会投票记录挖掘关联规则 237
11.6 示例:发现毒蘑菇的相似特征 238
11.7 本章小结 239
第12 章 使用FP-growth 算法来高效发现频繁项集 241
12.1 FP树:用于编码数据集的有效方式 242
12.2 构建FP树 243
12.2.1 创建FP 树的数据结构 244
12.2.2 构建FP 树 245
12.3 从一棵FP树中挖掘频繁项集 249
12.3.1 抽取条件模式基 249
12.3.2 创建条件FP 树 250
12.4 示例:在Twitter源中发现一些共现词 253
12.5 示例:从新闻网站点击流中挖掘 256
12.6 本章小结 257
第四部分 其他工具 258
第13 章 利用PCA 来简化数据 259
13.1 降维技术 259
13.2 PCA 260
13.2.1 移动坐标轴 261
13.2.2 在NumPy 中实现PCA 263
13.3 示例:利用PCA对半导体制造数据降维 265
13.4 本章小结 268
第14 章 利用SVD 简化数据 269
14.1 SVD的应用 269
14.1.1 隐性语义索引 270
14.1.2 推荐系统 270
14.2 矩阵分解 271
14.3 利用Python实现SVD 272
14.4 基于协同过滤的推荐引擎 274
14.4.1 相似度计算 275
14.4.2 基于物品的相似度还是基于用户的相似度? 277
14.4.3 推荐引擎的评价 277
14.5 示例:餐馆菜肴推荐引擎 277
14.5.1 推荐未尝过的菜肴 278
14.5.2 利用SVD 提高推荐的效果 280
14.5.3 构建推荐引擎面临的挑战 282
14.6 基于SVD的图像压缩 283
14.7 本章小结 285
第15 章 大数据与MapReduce 287
15.1 MapReduce:分布式计算的框架 288
15.2 Hadoop流 290
15.2.1 分布式计算均值和方差的mapper 290
15.2.2 分布式计算均值和方差的reducer 291
15.3 在Amazon网络服务上运行Hadoop程序 292
15.3.1 AWS 上的可用服务 293
15.3.2 开启Amazon 网络服务之旅 293
15.3.3 在EMR 上运行Hadoop 作业 295
15.4 MapReduce上的机器学习 299
15.5 在Python中使用mrjob来自动化MapReduce 300
15.5.1 mrjob 与EMR 的无缝集成 300
15.5.2 mrjob 的一个MapReduce 脚本剖析 301
15.6 示例:分布式SVM的Pegasos算法 303
15.6.1 Pegasos 算法 304
15.6.2 训练算法:用mrjob 实现MapReduce 版本的SVM 305
15.7 你真的需要MapReduce吗? 309
15.8 本章小结 309
附录A Python 入门 311
附录B 线性代数 320
附录C 概率论复习 326
附录D 资源 329
索引 330
版权声明 333
图书介绍 334
封底 335
欢迎加入图灵社区 336
发表评论
-
Python机器学习经典实例 中文目录
2020-01-28 12:29 457[美国] Prateek Joshi 著 陶俊杰 陈小莉 ... -
量化投资:以Python为工具 目录
2019-05-04 09:01 676作者: 蔡立耑 出版社: 电子工业出版社 出版年: 2017 ... -
Python数据挖掘入门与实践 中文目录
2019-02-04 21:59 633Robert Layton 著 ,杜 ... -
R for Data Science 中文目录
2018-10-20 22:50 0封面 1 译者介绍 2 数字版权声明 3 扉页 4 版 ... -
精通D3.js交互式数据可视化高级编程 目录
2018-10-13 19:36 731著者:吕之华 2015年版 封面 1 书名 3 版权 4 ... -
大话 Oracle Grid 云时代的RAC 目录
2018-09-26 22:24 669[张晓明 编著][人民邮电出版社][2014.01][475页 ... -
JavaScript 权威指南 第6版 中文目录
2018-09-08 18:39 629前言 第1章 javascript概述 17 ... -
R语言实战 第2版 中文目录
2017-06-25 12:33 706封面 1 数字版权声明 2 作译者介绍 3 扉页 4 版权页 ... -
深入浅出MyBatis技术原理与实战 中文目录
2017-04-15 11:57 545作者: 杨开振 http://blog ...
相关推荐
《Python3机器学习实战教程》是一份深度剖析机器学习理论与实践的综合资源包,它以Python3编程语言为工具,旨在帮助读者掌握各种机器学习算法,并通过实战案例加深理解。教程涵盖了从基础到进阶的多个主题,包括K-...
《Python与机器学习实战》这份资料详尽地涵盖了在数据科学领域中,使用Python语言进行机器学习实践的各种关键知识点。Python作为一门易学且功能强大的编程语言,因其丰富的库支持和简洁的语法,成为了机器学习领域的...
《Spark 2.x + Python 大数据机器学习实战》是一门深入探讨如何利用Apache Spark 2.x和Python进行大数据分析和机器学习的课程。Spark作为分布式计算框架,因其高效的内存计算和灵活的数据处理能力,成为了大数据领域...
《Python机器学习编程与实战-习题数据和答案》这个压缩包文件,正如其名,是针对Python机器学习的学习资源,包含习题的数据和解答,是深入理解和掌握Python机器学习技术的重要辅助材料。通过这份资源,学习者可以...
这个压缩包“python机器学习实战代码”显然是一个包含实际实现的代码集合,旨在帮助用户理解并应用机器学习算法。让我们深入探讨一下这个主题。 首先,机器学习分为三大类:监督学习、无监督学习和半监督学习。在...
人工智能实战,从 Python 入门到机器学习 人工智能实战,从 Python 入门到机器学习 人工智能实战,从 Python 入门到机器学习 人工智能实战,从 Python 入门到机器学习 人工智能实战,从 Python 入门到机器...
机器学习源码,供机器学习初学者下载,主要用的语言是python.
《Python机器学习编程与实战》课程的PPT课件涵盖了从Python基础知识到机器学习实践的广泛内容,旨在帮助学习者掌握Python在数据处理和机器学习领域的应用。以下是对每个章节主要内容的详细阐述: 1. **第1章 Python...
《Python机器学习编程与实战》是一本专注于Python在机器学习领域的应用教程,旨在帮助读者从零基础开始,逐步掌握Python编程以及机器学习的基本概念、算法和技术。这份压缩包包含的资源,如源代码和实验数据,是辅助...
在众多Python机器学习库中,scikit-learn以其简单易用、功能丰富、文档齐全等特点脱颖而出。本文将详细介绍如何在Python中使用scikit-learn进行机器学习,包括数据预处理、模型选择、训练与评估等关键步骤。 通过...
《Python3数据分析与机器学习实战——随书PPT》这套资料涵盖了从Python基础知识到高级机器学习应用的全方位教程。通过各个章节的PPT,我们可以深入理解Python在数据分析和机器学习领域的强大功能。 首先,让我们从...
在本资源"Python机器学习实战-数据&代码.rar"中,我们可以期待深入探索Python语言在机器学习领域的应用。这个压缩包包含的是与机器学习相关的数据集以及配套的代码,为学习者提供了一手的实践经验。Python是当今最...
基于 Python 的机器学习实战:分类算法的应用与实现 在这篇文章中,我们将探讨基于 Python 的机器学习实战,特别是分类算法的应用与实现。机器学习已经成为处理和分析海量数据的重要工具,其中分类算法作为机器学习...
在提供的压缩包文件中,"Python——机器学习实战——Logistic回归"可能包含详细的代码示例,展示了如何运用以上概念来构建和评估一个Logistic回归模型。通过学习这个实战案例,你可以更好地理解和应用Logistic回归到...
本资源包提供了一个关于如何使用Python进行机器学习实战,特别是决策树应用的教程。 首先,决策树算法基于特征和目标变量构建树形结构,其中每个内部节点代表一个特征测试,每个分支代表测试的结果,而叶节点则代表...
包含:Python 基础教程、10个编程技巧、Python高级编程、优化算法、实例学习Numpy与Matplotlib、实例学习pandas、机器学习、深度学习、梯度下降、实验等等等等人工智能实战——从Python入门到机器学习资料大全。...
2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。...