掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥50.8
加入購(gòu)物車
機(jī)器學(xué)習(xí)在線解析阿里云機(jī)器學(xué)習(xí)平臺(tái) 版權(quán)信息
- ISBN：9787121318696
- 條形碼：9787121318696 ; 978-7-121-31869-6
- 裝幀：暫無(wú)
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
機(jī)器學(xué)習(xí)在線解析阿里云機(jī)器學(xué)習(xí)平臺(tái) 本書(shū)特色
以機(jī)器學(xué)習(xí)中的典型案例為主線，條分縷析梳理阿里云的平臺(tái)功能，講解如何用阿里云的機(jī)器學(xué)習(xí)平臺(tái)來(lái)實(shí)現(xiàn)各類應(yīng)用，包括商家作弊檢測(cè)、生存預(yù)測(cè)、信用風(fēng)險(xiǎn)預(yù)測(cè)、用戶購(gòu)買行為預(yù)測(cè)等，并完整地介紹了機(jī)器學(xué)習(xí)的基本原理與實(shí)踐技巧。
機(jī)器學(xué)習(xí)在線解析阿里云機(jī)器學(xué)習(xí)平臺(tái) 內(nèi)容簡(jiǎn)介
《機(jī)器學(xué)習(xí)在線：解析阿里云機(jī)器學(xué)習(xí)平臺(tái)》以機(jī)器學(xué)習(xí)中的典型案例為主線，條分縷析梳理阿里云的平臺(tái)功能，講解如何用阿里云的機(jī)器學(xué)習(xí)平臺(tái)來(lái)實(shí)現(xiàn)各類應(yīng)用，包括商家作弊檢測(cè)、生存預(yù)測(cè)、信用風(fēng)險(xiǎn)預(yù)測(cè)、用戶購(gòu)買行為預(yù)測(cè)等，并完整地介紹了機(jī)器學(xué)習(xí)的基本原理與實(shí)踐技巧。
機(jī)器學(xué)習(xí)在線解析阿里云機(jī)器學(xué)習(xí)平臺(tái) 目錄
第1章 阿里云機(jī)器學(xué)習(xí) 1
1.1 產(chǎn)品特點(diǎn) 1
1.2 名詞解釋 2
1.3 構(gòu)建機(jī)器學(xué)習(xí)實(shí)驗(yàn) 3
1.3.1 新建實(shí)驗(yàn) 3
1.3.2 使用組件搭建工作流 4
1.3.3 運(yùn)行實(shí)驗(yàn)、查看結(jié)果 5
1.3.4 模型部署、在線預(yù)測(cè) 6
第2章 商家作弊行為檢測(cè) 7
2.1 數(shù)據(jù)探索 8
2.2 建模、預(yù)測(cè)和評(píng)估 15
2.3 嘗試其他分類模型 19
2.4 判斷商家作弊 24
第3章 生存預(yù)測(cè) 27
3.1 數(shù)據(jù)集一 27
3.1.1 特征分析 28
3.1.2 生存預(yù)測(cè) 33
3.2 數(shù)據(jù)集二 36
3.2.1 隨機(jī)森林模型 39
3.2.2 樸素貝葉斯模型 47
第4章 信用風(fēng)險(xiǎn)預(yù)測(cè) 50
4.1 整體流程 53
4.1.1 特征啞元化 54
4.1.2 特征重要性 57
4.2 模型效果評(píng)估 61
4.3 減少模型特征的個(gè)數(shù) 62
第5章 用戶購(gòu)買行為預(yù)測(cè) 65
5.1 數(shù)據(jù)探索 66
5.2 思路 68
5.2.1 用戶和品牌的各種特征 69
5.2.2 二分類模型訓(xùn)練 71
5.3 計(jì)算訓(xùn)練數(shù)據(jù)集 71
5.3.1 原始數(shù)據(jù)劃分 72
5.3.2 計(jì)算特征 74
5.3.3 計(jì)算標(biāo)簽 89
5.4 二分類模型訓(xùn)練 90
5.4.1 正負(fù)樣本配比 90
5.4.2 邏輯回歸算法 92
5.4.3 隨機(jī)森林算法 94
第6章 聚類與分類 96
6.1 數(shù)據(jù)可視化 97
6.2 K-Means聚類 98
6.2.1 聚類、評(píng)估流程 100
6.2.2 聚成兩類 101
6.2.3 聚成三類 103
6.3 K*近鄰算法 104
6.3.1 使用KNN算法進(jìn)行分類 105
6.3.2 算法比較 108
6.4 多分類模型 109
6.4.1 使用樸素貝葉斯算法 109
6.4.2 使用邏輯回歸多分類算法 112
6.4.3 使用隨機(jī)森林算法 115
6.4.4 各多分類模型效果對(duì)比 118
第7章 葡萄酒品質(zhì)預(yù)測(cè) 119
7.1 數(shù)據(jù)探索 120
7.2 線性回歸 123
7.3 GBDT回歸 125
第8章 文本分析 127
8.1 分詞 128
8.2 詞頻統(tǒng)計(jì) 130
8.3 單詞的區(qū)分度 131
8.4 字符串比較 133
8.5 抽取關(guān)鍵詞、關(guān)鍵句 139
8.5.1 原理簡(jiǎn)介 139
8.5.2 完整流程 141
8.6 主題模型 146
8.6.1 LDA模型 147
8.6.2 新聞的主題模型 149
8.6.3 數(shù)據(jù)預(yù)處理 150
8.6.4 主題與原始分類的關(guān)系 153
8.7 單詞映射為向量 160
8.7.1 相近單詞 162
8.7.2 單詞聚類 165
8.8 組件使用小結(jié) 168
第9章 基于用戶退貨描述的賠付預(yù)測(cè) 170
9.1 思路 171
9.2 訓(xùn)練集的特征生成 173
9.3 測(cè)試集的特征生成 180
9.4 模型訓(xùn)練、預(yù)測(cè)、評(píng)估 181
9.5 提高召回率 185
第10章 情感分析 189
10.1 詞袋模型 190
10.1.1 訓(xùn)練集的特征生成 192
10.1.2 測(cè)試集的特征生成 196
10.1.3 模型訓(xùn)練、預(yù)測(cè)、評(píng)估 197
10.2 詞向量模型 200
10.2.1 特征生成 201
10.2.2 模型訓(xùn)練 206
第11章 影片推薦 211
11.1 協(xié)同過(guò)濾 212
11.2 整體流程 213
11.3 預(yù)處理，過(guò)濾出好評(píng)信息 215
11.4 計(jì)算影片間的相似度 215
11.5 計(jì)算用戶可能喜歡的影片 221
11.6 查看推薦效果 224
第12章 支持深度學(xué)習(xí)框架 227
12.1 TensorFlow組件簡(jiǎn)介 227
12.2 Softmax模型 231
12.3 深度神經(jīng)網(wǎng)絡(luò) 234
附錄A 237
1.1 產(chǎn)品特點(diǎn) 1
1.2 名詞解釋 2
1.3 構(gòu)建機(jī)器學(xué)習(xí)實(shí)驗(yàn) 3
1.3.1 新建實(shí)驗(yàn) 3
1.3.2 使用組件搭建工作流 4
1.3.3 運(yùn)行實(shí)驗(yàn)、查看結(jié)果 5
1.3.4 模型部署、在線預(yù)測(cè) 6
第2章 商家作弊行為檢測(cè) 7
2.1 數(shù)據(jù)探索 8
2.2 建模、預(yù)測(cè)和評(píng)估 15
2.3 嘗試其他分類模型 19
2.4 判斷商家作弊 24
第3章 生存預(yù)測(cè) 27
3.1 數(shù)據(jù)集一 27
3.1.1 特征分析 28
3.1.2 生存預(yù)測(cè) 33
3.2 數(shù)據(jù)集二 36
3.2.1 隨機(jī)森林模型 39
3.2.2 樸素貝葉斯模型 47
第4章 信用風(fēng)險(xiǎn)預(yù)測(cè) 50
4.1 整體流程 53
4.1.1 特征啞元化 54
4.1.2 特征重要性 57
4.2 模型效果評(píng)估 61
4.3 減少模型特征的個(gè)數(shù) 62
第5章 用戶購(gòu)買行為預(yù)測(cè) 65
5.1 數(shù)據(jù)探索 66
5.2 思路 68
5.2.1 用戶和品牌的各種特征 69
5.2.2 二分類模型訓(xùn)練 71
5.3 計(jì)算訓(xùn)練數(shù)據(jù)集 71
5.3.1 原始數(shù)據(jù)劃分 72
5.3.2 計(jì)算特征 74
5.3.3 計(jì)算標(biāo)簽 89
5.4 二分類模型訓(xùn)練 90
5.4.1 正負(fù)樣本配比 90
5.4.2 邏輯回歸算法 92
5.4.3 隨機(jī)森林算法 94
第6章 聚類與分類 96
6.1 數(shù)據(jù)可視化 97
6.2 K-Means聚類 98
6.2.1 聚類、評(píng)估流程 100
6.2.2 聚成兩類 101
6.2.3 聚成三類 103
6.3 K*近鄰算法 104
6.3.1 使用KNN算法進(jìn)行分類 105
6.3.2 算法比較 108
6.4 多分類模型 109
6.4.1 使用樸素貝葉斯算法 109
6.4.2 使用邏輯回歸多分類算法 112
6.4.3 使用隨機(jī)森林算法 115
6.4.4 各多分類模型效果對(duì)比 118
第7章 葡萄酒品質(zhì)預(yù)測(cè) 119
7.1 數(shù)據(jù)探索 120
7.2 線性回歸 123
7.3 GBDT回歸 125
第8章 文本分析 127
8.1 分詞 128
8.2 詞頻統(tǒng)計(jì) 130
8.3 單詞的區(qū)分度 131
8.4 字符串比較 133
8.5 抽取關(guān)鍵詞、關(guān)鍵句 139
8.5.1 原理簡(jiǎn)介 139
8.5.2 完整流程 141
8.6 主題模型 146
8.6.1 LDA模型 147
8.6.2 新聞的主題模型 149
8.6.3 數(shù)據(jù)預(yù)處理 150
8.6.4 主題與原始分類的關(guān)系 153
8.7 單詞映射為向量 160
8.7.1 相近單詞 162
8.7.2 單詞聚類 165
8.8 組件使用小結(jié) 168
第9章 基于用戶退貨描述的賠付預(yù)測(cè) 170
9.1 思路 171
9.2 訓(xùn)練集的特征生成 173
9.3 測(cè)試集的特征生成 180
9.4 模型訓(xùn)練、預(yù)測(cè)、評(píng)估 181
9.5 提高召回率 185
第10章 情感分析 189
10.1 詞袋模型 190
10.1.1 訓(xùn)練集的特征生成 192
10.1.2 測(cè)試集的特征生成 196
10.1.3 模型訓(xùn)練、預(yù)測(cè)、評(píng)估 197
10.2 詞向量模型 200
10.2.1 特征生成 201
10.2.2 模型訓(xùn)練 206
第11章 影片推薦 211
11.1 協(xié)同過(guò)濾 212
11.2 整體流程 213
11.3 預(yù)處理，過(guò)濾出好評(píng)信息 215
11.4 計(jì)算影片間的相似度 215
11.5 計(jì)算用戶可能喜歡的影片 221
11.6 查看推薦效果 224
第12章 支持深度學(xué)習(xí)框架 227
12.1 TensorFlow組件簡(jiǎn)介 227
12.2 Softmax模型 231
12.3 深度神經(jīng)網(wǎng)絡(luò) 234
附錄A 237
展開(kāi)全部
機(jī)器學(xué)習(xí)在線解析阿里云機(jī)器學(xué)習(xí)平臺(tái) 作者簡(jiǎn)介
2004年獲南開(kāi)大學(xué)數(shù)學(xué)博士學(xué)位；隨后在南開(kāi)大學(xué)信息學(xué)院從事博士后研究工作；2006年加入微軟亞洲研究院，進(jìn)行符號(hào)計(jì)算、大規(guī)模矩陣計(jì)算及機(jī)器學(xué)習(xí)算法研究；2010年加入阿里巴巴，從事大數(shù)據(jù)相關(guān)的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)算法研發(fā)。著有《重構(gòu)大數(shù)據(jù)統(tǒng)計(jì)》。
書(shū)友推薦
- >
經(jīng)典常談
- >
有舍有得是人生
- >
莉莉和章魚(yú)
- >
上帝之肋:男人的真實(shí)旅程
- >
【精裝繪本】畫(huà)給孩子的中國(guó)神話
- >
姑媽的寶刀
- >
推拿
- >
羅庸西南聯(lián)大授課錄
本類暢銷
