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
機器學習實踐應用 版權信息
- ISBN：9787115460417
- 條形碼：9787115460417 ; 978-7-115-46041-7
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習實踐應用 本書特色
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度等多門學科，專門研究計算機怎樣模擬或實現人類的學習行為。機器學習是人工智能的核心，是使計算機具有智能的根本途徑。 本書通過對機器學習的背景知識、算法流程、相關工具、實踐案例以及知識圖譜等內容的講解，全面介紹了機器學習的理論基礎和實踐應用。書中涉及機器學習領域的多個典型算法，并詳細給出了機器學習的算法流程。 本書適合任何有一定數據功底和編程基礎的讀者閱讀。通過閱讀本書，讀者不僅可以了解機器學習的理論基礎，也可以參照一些典型的應用案例拓展自己的專業技能。同時，本書也適合計算機相關專業的學生以及對人工智能和機器學習感興趣的讀者閱讀。
機器學習實踐應用 內容簡介
這是一本難得的面向機器學習愛好者的入門級教程，本書涉及機器學習的基礎理論和深度學習等相關內容，內容深入淺出。更加難能可貴的是，本書基于阿里云機器學習平臺，針對7個具體的業務場景，搭建了完整的解決方案，給讀者帶來第1手的實戰演練經驗。 ——阿里云zi深專家 褚崴 機器學習算法正在逐漸滲透到數據化運營的各個方面，算法和業務數據相結合可以大幅度地提高業務效率、降低成本。本書以算法的業務應用作為切入點，包含大量的案例說明，非常適合讀者快速入門。 ——阿里云高級專家 陳鵬宇 通過閱讀本書，你將了解到： ■ 機器學習全流程的串聯方式，包括數據預處理、特征工程、算法、模型評估等； ■ zui常用的機器學習算法，包括邏輯回歸、*森林、支持向量機、KMEANS、DBSCAN、K近鄰、 馬爾科夫決策、LDA、標簽傳播等； ■ 機器學習算法在實際業務中的應用，涉及金融、醫療、新聞、電商等諸多領域； ■ 機器學習的常用工具：R、Spark-MLib、TensorFlow、PAI等； ■ 時下zui熱門的技術領域：深度學習、知識圖譜等。 第1部分 機器學習的背景知識 ■ 機器學習的發展歷史以及現狀 ■ 機器學習的基本概念 第2部分 機器學習的算法流程 ■ 場景解析 ■ 數據預處理 ■ 特征工程 ■ 機器學習常規算法——分類算法、聚類算法、 回歸算法、文本分析算法、推薦算法和關系圖 算法 ■ 深度學習算法——常用的3種模型DNN、CNN和RNN 第3部分 機器學習的相關工具 ■ SPSS和R語言等單機統計分析環境 ■ 分布式的算法框架Spark MLib和TensorFlow ■ 企業級的云算法服務AWS ML和阿里云PAI 第4部分 機器學習算法的實踐案例 ■ 心臟病預測 ■ 商品推薦 ■ 金融風控 ■ 新聞分類 ■ 貸款預測 ■ 霧霾天氣預報 ■ 圖片識別 第5部分 知識圖譜
機器學習實踐應用 目錄
第1部分 背景知識
第1章 機器學習概述 3
1.1 背景 3
1.2 發展現狀 6
1.2.1 數據現狀 6
1.2.2 機器學習算法現狀 8
1.3 機器學習基本概念 12
1.3.1 機器學習流程 12
1.3.2 數據源結構 14
1.3.3 算法分類 16
1.3.4 過擬合問題 18
1.3.5 結果評估 20
1.4 本章小結 22
第2部分 算法流程
第2章 場景解析 25
2.1 數據探查 25
2.2 場景抽象 27
2.3 算法選擇 29
2.4 本章小結 31
第3章 數據預處理 32
3.1 采樣 32
3.1.1 隨機采樣 32
3.1.2 系統采樣 34
3.1.3 分層采樣 35
3.2 歸一化 36
3.3 去除噪聲 39
3.4 數據過濾 42
3.5 本章小結 43
第4章 特征工程 44
4.1 特征抽象 44
4.2 特征重要性評估 49
4.3 特征衍生 53
4.4 特征降維 57
4.4.1 特征降維的基本概念 57
4.4.2 主成分分析 59
4.5 本章小結 62
第5章 機器學習算法——常規算法 63
5.1 分類算法 63
5.1.1 K近鄰 63
5.1.2 樸素貝葉斯 68
5.1.3 邏輯回歸 74
5.1.4 支持向量機 81
5.1.5 隨機森林 87
5.2 聚類算法 94
5.2.1 K-means 97
5.2.2 DBSCAN 103
5.3 回歸算法 109
5.4 文本分析算法 112
5.4.1 分詞算法——Hmm 112
5.4.2 TF-IDF 118
5.4.3 LDA 122
5.5 推薦類算法 127
5.6 關系圖算法 133
5.6.1 標簽傳播 134
5.6.2 Dijkstra*短路徑 138
5.7 本章小結 145
第6章 機器學習算法——深度學習 146
6.1 深度學習概述 146
6.1.1 深度學習的發展 147
6.1.2 深度學習算法與傳統
算法的比較 148
6.2 深度學習的常見結構 152
6.2.1 深度神經網絡 152
6.2.2 卷積神經網絡 153
6.2.3 循環神經網絡 156
6.3 本章小結 157
第3部分 工具介紹
第7章 常見機器學習工具介紹 161
7.1 概述 161
7.2 單機版機器學習工具 163
7.2.1 SPSS 163
7.2.2 R語言 167
7.2.3 工具對比 172
7.3 開源分布式機器學習工具 172
7.3.1 Spark MLib 172
7.3.2 TensorFlow 179
7.4 企業級云機器學習工具 190
7.4.1 亞馬遜AWS ML 191
7.4.2 阿里云機器學習PAI 196
7.5 本章小結 205
第4部分 實戰應用
第8章 業務解決方案 209
8.1 心臟病預測 209
8.1.1 場景解析 209
8.1.2 實驗搭建 211
8.1.3 小結 216
8.2 商品推薦系統 216
8.2.1 場景解析 217
8.2.2 實驗搭建 218
8.2.3 小結 220
8.3 金融風控案例 220
8.3.1 場景解析 221
8.3.2 實驗搭建 222
8.3.3 小結 225
8.4 新聞文本分析 225
8.4.1 場景解析 225
8.4.2 實驗搭建 226
8.4.3 小結 230
8.5 農業貸款發放預測 230
8.5.1 場景解析 230
8.5.2 實驗搭建 232
8.5.3 小結 236
8.6 霧霾天氣成因分析 236
8.6.1 場景解析 237
8.6.2 實驗搭建 238
8.6.3 小結 243
8.7 圖片識別 243
8.7.1 場景解析 243
8.7.2 實驗搭建 245
8.7.3 小結 253
8.8 本章小結 253
第5部分 知識圖譜
第9章 知識圖譜 257
9.1 未來數據采集 257
9.2 知識圖譜的概述 259
9.3 知識圖譜開源
工具 261
9.4 本章小結 264
參考文獻 265
第1章 機器學習概述 3
1.1 背景 3
1.2 發展現狀 6
1.2.1 數據現狀 6
1.2.2 機器學習算法現狀 8
1.3 機器學習基本概念 12
1.3.1 機器學習流程 12
1.3.2 數據源結構 14
1.3.3 算法分類 16
1.3.4 過擬合問題 18
1.3.5 結果評估 20
1.4 本章小結 22
第2部分 算法流程
第2章 場景解析 25
2.1 數據探查 25
2.2 場景抽象 27
2.3 算法選擇 29
2.4 本章小結 31
第3章 數據預處理 32
3.1 采樣 32
3.1.1 隨機采樣 32
3.1.2 系統采樣 34
3.1.3 分層采樣 35
3.2 歸一化 36
3.3 去除噪聲 39
3.4 數據過濾 42
3.5 本章小結 43
第4章 特征工程 44
4.1 特征抽象 44
4.2 特征重要性評估 49
4.3 特征衍生 53
4.4 特征降維 57
4.4.1 特征降維的基本概念 57
4.4.2 主成分分析 59
4.5 本章小結 62
第5章 機器學習算法——常規算法 63
5.1 分類算法 63
5.1.1 K近鄰 63
5.1.2 樸素貝葉斯 68
5.1.3 邏輯回歸 74
5.1.4 支持向量機 81
5.1.5 隨機森林 87
5.2 聚類算法 94
5.2.1 K-means 97
5.2.2 DBSCAN 103
5.3 回歸算法 109
5.4 文本分析算法 112
5.4.1 分詞算法——Hmm 112
5.4.2 TF-IDF 118
5.4.3 LDA 122
5.5 推薦類算法 127
5.6 關系圖算法 133
5.6.1 標簽傳播 134
5.6.2 Dijkstra*短路徑 138
5.7 本章小結 145
第6章 機器學習算法——深度學習 146
6.1 深度學習概述 146
6.1.1 深度學習的發展 147
6.1.2 深度學習算法與傳統
算法的比較 148
6.2 深度學習的常見結構 152
6.2.1 深度神經網絡 152
6.2.2 卷積神經網絡 153
6.2.3 循環神經網絡 156
6.3 本章小結 157
第3部分 工具介紹
第7章 常見機器學習工具介紹 161
7.1 概述 161
7.2 單機版機器學習工具 163
7.2.1 SPSS 163
7.2.2 R語言 167
7.2.3 工具對比 172
7.3 開源分布式機器學習工具 172
7.3.1 Spark MLib 172
7.3.2 TensorFlow 179
7.4 企業級云機器學習工具 190
7.4.1 亞馬遜AWS ML 191
7.4.2 阿里云機器學習PAI 196
7.5 本章小結 205
第4部分 實戰應用
第8章 業務解決方案 209
8.1 心臟病預測 209
8.1.1 場景解析 209
8.1.2 實驗搭建 211
8.1.3 小結 216
8.2 商品推薦系統 216
8.2.1 場景解析 217
8.2.2 實驗搭建 218
8.2.3 小結 220
8.3 金融風控案例 220
8.3.1 場景解析 221
8.3.2 實驗搭建 222
8.3.3 小結 225
8.4 新聞文本分析 225
8.4.1 場景解析 225
8.4.2 實驗搭建 226
8.4.3 小結 230
8.5 農業貸款發放預測 230
8.5.1 場景解析 230
8.5.2 實驗搭建 232
8.5.3 小結 236
8.6 霧霾天氣成因分析 236
8.6.1 場景解析 237
8.6.2 實驗搭建 238
8.6.3 小結 243
8.7 圖片識別 243
8.7.1 場景解析 243
8.7.2 實驗搭建 245
8.7.3 小結 253
8.8 本章小結 253
第5部分 知識圖譜
第9章 知識圖譜 257
9.1 未來數據采集 257
9.2 知識圖譜的概述 259
9.3 知識圖譜開源
工具 261
9.4 本章小結 264
參考文獻 265
展開全部
機器學習實踐應用 作者簡介
李博，花名“傲海”。目前任阿里云數據產品經理，主要負責機器學習平臺的產品 化建設以及對外業務應用。本科、碩士畢業于北京郵電大學，曾就職于索尼和華為 （實習），從事數據相關產品的開發。作為CSDN博客專家、云棲社區博客專 家，長期分享IT技術相關文章，內容涉及機器學習算法、Android應用及源碼 開發等領域。一直活躍于開發者社區，主導開發了多個GitHub百星開源項目，還 開發并上線了多款手機App。作者微信公眾號（長期更新機器學習業務應用文章）：凡人機器學習 個人網站：www.garvinli.com 作者郵箱：garvin.libo@gmail.com
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
隨園食單
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
煙與鏡
- >
月亮與六便士
- >
伯納黛特,你要去哪(2021新版)
- >
苦雨齋序跋文-周作人自編集
- >
詩經-先民的歌唱
本類暢銷
