中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
實用機器學習 版權信息
- ISBN：9787111569220
- 條形碼：9787111569220 ; 978-7-111-56922-0
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
實用機器學習 本書特色
本書介紹了實用機器學習的工作流程，主要從實用角度進行了描述，沒有數學公式和推導。本書涵蓋了數據收集與處理、模型構建、評價和優化、特征的識別、提取和選擇技術、高級特征工程、數據可視化技術以及模型的部署和安裝，結合3個真實案例全面、詳細地介紹了整個機器學習流程。后，還介紹了機器學習流程的擴展和大數據應用。
本書可以作為程序員、數據分析師、統計學家、數據科學家解決實際問題的參考書，也可以作為機器學習愛好者學習和應用的參考書，還可以作為非專業學生的機器學習入門參考書，以及專業學生的實踐參考書。
實用機器學習 內容簡介
隨著阿爾法狗在圍棋領域高奏凱歌，人工智能領域已成為當前引人注目的風口，而機器學習又是這風口中的風頭正勁的熱點。本書從實戰角度剖析了機器學習的知識原理，讀者無需擔心遇到難懂的數學公式和推導，就能夠將機器學習的知識應用在自己熟悉的領域。《實用機器學習》還包含了三個機器學習真是應用的綜合案例，本書所有代碼資源都可以通過網絡下載，讀者還可以登錄GITHUB與全球的機器學習愛好者共同交流本書的學習體驗。
實用機器學習 目錄
目錄
推薦序
作者序
致謝
譯者序
關于本書
作者簡介
關于封面插圖
第1部分機器學習工作流程
第1章什么是機器學習
1.1理解機器學習
1.2使用數據進行決策
1.2.1傳統方法
1.2.2機器學習方法
1.2.3機器學習的五大優勢
1.2.4面臨的挑戰
1.3跟蹤機器學習流程：從數據到部署
1.3.1數據集合和預處理
1.3.2數據構建模型
1.3.3模型性能評估
1.3.4模型性能優化
1.4提高模型性能的高級技巧
1.4.1數據預處理和特征工程
1.4.2用在線算法持續改進模型
1.4.3具有數據量和速度的規模化模型
1.5總結
1.6本章術語
第2章實用數據處理
2.1起步：數據收集
2.1.1應包含哪些特征
2.1.2如何獲得目標變量的真實值
2.1.3需要多少訓練數據
2.1.4訓練集是否有足夠的代表性
2.2數據預處理
2.2.1分類特征
2.2.2缺失數據處理
2.2.3簡單特征工程
2.2.4數據規范化
2.3數據可視化
2.3.1馬賽克圖
2.3.2盒圖
2.3.3密度圖
2.3.4散點圖
2.4總結
2.5本章術語
第3章建模和預測
3.1基礎機器學習建模
3.1.1尋找輸入和目標間的關系
3.1.2尋求好模型的目的
3.1.3建模方法類型
3.1.4有監督和無監督學習
3.2分類：把數據預測到桶中
3.2.1構建分類器并預測
3.2.2非線性數據與復雜分類
3.2.3多類別分類
3.3回歸：預測數值型數據
3.3.1構建回歸器并預測
3.3.2對復雜的非線性數據進行回歸
3.4總結
3.5本章術語
第4章模型評估與優化
4.1模型泛化：評估新數據的預測準確性
4.1.1問題：過度擬合與樂觀模型
4.1.2解決方案：交叉驗證
4.1.3交叉驗證的注意事項
4.2分類模型評估
4.2.1分類精度和混淆矩陣
4.2.2準確度權衡與ROC曲線
4.2.3多類別分類
4.3回歸模型評估
4.3.1使用簡單回歸性能指標
4.3.2檢驗殘差
4.4參數調整優化模型
4.4.1機器學習算法和它們的調整參數
4.4.2網格搜索
4.5總結
4.6本章術語
第5章基礎特征工程
5.1動機：為什么特征工程很有用
5.1.1什么是特征工程
5.1.2使用特征工程的5個原因
5.1.3特征工程與領域專業知識
5.2基本特征工程過程
5.2.1實例：事件推薦
5.2.2處理日期和時間特征
5.2.3處理簡單文本特征
5.3特征選擇
5.3.1前向選擇和反向消除
5.3.2數據探索的特征選擇
5.3.3實用特征選擇實例
5.4總結
5.5本章術語
第2部分實 際 應 用
第6章案例：NYC出租車數據
6.1數據：NYC出租車旅程和收費信息
6.1.1數據可視化
6.1.2定義問題并準備數據
6.2建模
6.2.1基本線性模型
6.2.2非線性分類器
6.2.3包含分類特征
6.2.4包含日期-時間特征
6.2.5模型的啟示
6.3總結
6.4本章術語
第7章高級特征工程
7.1高級文本特征
7.1.1詞袋模型
7.1.2主題建模
7.1.3內容拓展
7.2圖像特征
7.2.1簡單圖像特征
7.2.2提取物體和形狀
7.3時間序列特征
7.3.1時間序列數據的類型
7.3.2時間序列數據的預測
7.3.3經典時間序列特征
7.3.4事件流的特征工程
7.4總結
7.5本章術語
第8章NLP高級案例：電影評論情感預測
8.1研究數據和應用場景
8.1.1數據集初探
8.1.2檢查數據
8.1.3應用場景有哪些
8.2提取基本NLP特征并構建初始模型
8.2.1詞袋特征
8.2.2用樸素貝葉斯算法構建模型
8.2.3tf-idf算法規范詞袋特征
8.2.4優化模型參數
8.3高級算法和模型部署的考慮
8.3.1word2vec特征
8.3.2隨機森林模型
8.4總結
8.5本章術語
第9章擴展機器學習流程
9.1擴展前需考慮的問題
9.1.1識別關鍵點
9.1.2選取訓練數據子樣本代替擴展性
9.1.3可擴展的數據管理系統
9.2機器學習建模流程擴展
9.3預測擴展
9.3.1預測容量擴展
9.3.2預測速度擴展
9.4總結
9.5本章術語
第10章案例：數字顯示廣告
10.1顯示廣告
10.2數字廣告數據
10.3特征工程和建模策略
10.4數據大小和形狀
10.5奇異值分解
10.6資源估計和優化
10.7建模
10.8K近鄰算法
10.9隨機森林算法
10.10其他實用考慮
10.11總結
10.12本章術語
10.13摘要和結論
附錄常用機器學習算法
名詞術語中英文對照
推薦序
作者序
致謝
譯者序
關于本書
作者簡介
關于封面插圖
第1部分機器學習工作流程
第1章什么是機器學習
1.1理解機器學習
1.2使用數據進行決策
1.2.1傳統方法
1.2.2機器學習方法
1.2.3機器學習的五大優勢
1.2.4面臨的挑戰
1.3跟蹤機器學習流程：從數據到部署
1.3.1數據集合和預處理
1.3.2數據構建模型
1.3.3模型性能評估
1.3.4模型性能優化
1.4提高模型性能的高級技巧
1.4.1數據預處理和特征工程
1.4.2用在線算法持續改進模型
1.4.3具有數據量和速度的規模化模型
1.5總結
1.6本章術語
第2章實用數據處理
2.1起步：數據收集
2.1.1應包含哪些特征
2.1.2如何獲得目標變量的真實值
2.1.3需要多少訓練數據
2.1.4訓練集是否有足夠的代表性
2.2數據預處理
2.2.1分類特征
2.2.2缺失數據處理
2.2.3簡單特征工程
2.2.4數據規范化
2.3數據可視化
2.3.1馬賽克圖
2.3.2盒圖
2.3.3密度圖
2.3.4散點圖
2.4總結
2.5本章術語
第3章建模和預測
3.1基礎機器學習建模
3.1.1尋找輸入和目標間的關系
3.1.2尋求好模型的目的
3.1.3建模方法類型
3.1.4有監督和無監督學習
3.2分類：把數據預測到桶中
3.2.1構建分類器并預測
3.2.2非線性數據與復雜分類
3.2.3多類別分類
3.3回歸：預測數值型數據
3.3.1構建回歸器并預測
3.3.2對復雜的非線性數據進行回歸
3.4總結
3.5本章術語
第4章模型評估與優化
4.1模型泛化：評估新數據的預測準確性
4.1.1問題：過度擬合與樂觀模型
4.1.2解決方案：交叉驗證
4.1.3交叉驗證的注意事項
4.2分類模型評估
4.2.1分類精度和混淆矩陣
4.2.2準確度權衡與ROC曲線
4.2.3多類別分類
4.3回歸模型評估
4.3.1使用簡單回歸性能指標
4.3.2檢驗殘差
4.4參數調整優化模型
4.4.1機器學習算法和它們的調整參數
4.4.2網格搜索
4.5總結
4.6本章術語
第5章基礎特征工程
5.1動機：為什么特征工程很有用
5.1.1什么是特征工程
5.1.2使用特征工程的5個原因
5.1.3特征工程與領域專業知識
5.2基本特征工程過程
5.2.1實例：事件推薦
5.2.2處理日期和時間特征
5.2.3處理簡單文本特征
5.3特征選擇
5.3.1前向選擇和反向消除
5.3.2數據探索的特征選擇
5.3.3實用特征選擇實例
5.4總結
5.5本章術語
第2部分實 際 應 用
第6章案例：NYC出租車數據
6.1數據：NYC出租車旅程和收費信息
6.1.1數據可視化
6.1.2定義問題并準備數據
6.2建模
6.2.1基本線性模型
6.2.2非線性分類器
6.2.3包含分類特征
6.2.4包含日期-時間特征
6.2.5模型的啟示
6.3總結
6.4本章術語
第7章高級特征工程
7.1高級文本特征
7.1.1詞袋模型
7.1.2主題建模
7.1.3內容拓展
7.2圖像特征
7.2.1簡單圖像特征
7.2.2提取物體和形狀
7.3時間序列特征
7.3.1時間序列數據的類型
7.3.2時間序列數據的預測
7.3.3經典時間序列特征
7.3.4事件流的特征工程
7.4總結
7.5本章術語
第8章NLP高級案例：電影評論情感預測
8.1研究數據和應用場景
8.1.1數據集初探
8.1.2檢查數據
8.1.3應用場景有哪些
8.2提取基本NLP特征并構建初始模型
8.2.1詞袋特征
8.2.2用樸素貝葉斯算法構建模型
8.2.3tf-idf算法規范詞袋特征
8.2.4優化模型參數
8.3高級算法和模型部署的考慮
8.3.1word2vec特征
8.3.2隨機森林模型
8.4總結
8.5本章術語
第9章擴展機器學習流程
9.1擴展前需考慮的問題
9.1.1識別關鍵點
9.1.2選取訓練數據子樣本代替擴展性
9.1.3可擴展的數據管理系統
9.2機器學習建模流程擴展
9.3預測擴展
9.3.1預測容量擴展
9.3.2預測速度擴展
9.4總結
9.5本章術語
第10章案例：數字顯示廣告
10.1顯示廣告
10.2數字廣告數據
10.3特征工程和建模策略
10.4數據大小和形狀
10.5奇異值分解
10.6資源估計和優化
10.7建模
10.8K近鄰算法
10.9隨機森林算法
10.10其他實用考慮
10.11總結
10.12本章術語
10.13摘要和結論
附錄常用機器學習算法
名詞術語中英文對照
展開全部
實用機器學習 作者簡介
Henrik Brink（亨里克·布林克）是一名數據科學家，對應用機器學習進行工業和學術應用開發有著豐富的經驗。
Joseph Richards（約瑟夫W理查茲）也是一位數據科學家，具有應用統計和預測分析方面的專業知識。Henrik和Joseph是Wise.io的聯合創立者，Wise.io是一家提供工業機器學習解決方案的開發商。
Mark Fetherolf（馬克·弗特羅夫）是數據管理和預測分析公司Numinary Data Science的創始人和總裁。他曾在社會科學研究、化學工程、信息系統性能、容量規劃、有線電視和在線廣告應用等方面擔任統計師和分析數據庫開發人員。
書友推薦
- >
煙與鏡
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
苦雨齋序跋文-周作人自編集
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
姑媽的寶刀
- >
我從未如此眷戀人間
- >
經典常談
- >
自卑與超越
本類暢銷
