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
深入理解XGBoost:高效機器學習算法與進階 版權信息
- ISBN：9787111642626
- 條形碼：9787111642626 ; 978-7-111-64262-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深入理解XGBoost:高效機器學習算法與進階 本書特色
本書以機器學習基礎知識做鋪墊，深入剖析XGBoost的原理、分布式實現、模型優化、深度應用等。
第1～3章使讀者對機器學習算法形成整體認知，了解如何優化模型以及評估預測結果，并熟悉常用機器學習算法的實現原理和應用，如線性回歸、邏輯回歸、決策樹、神經網絡、支持向量機等。
第4章借助實際案例，講解如何通過XGBoost解決分類、回歸、排序等問題，并介紹了XGBoost常用功能的使用方法。
第5～7章是本書的重點，從理論推導與源碼層面深入剖析XGBoost，涵蓋XGBoost原理與理論證明、分布式XGBoost的實現、XGBoost各組件的源碼解析。
第8～9章為進階內容，著重解析算法實踐與工程應用中的難點，進而幫助讀者更好地解決實際問題。
第10章介紹了一些較為前沿的將樹模型與其他模型融合的研究方法，以開拓眼界，拓展思路。
深入理解XGBoost:高效機器學習算法與進階 內容簡介
1）知名互聯網公司工程師撰寫，打通高效機器學習脈絡，掌握競賽神器XGBoost 2）以機器學習基礎知識做鋪墊，深入剖析XGBoost原理、分布式實現、模型優化、深度應用等
深入理解XGBoost:高效機器學習算法與進階 目錄
前言
第1章 機器學習概述1
1.1 何謂機器學習1
1.1.1 機器學習常用基本概念2
1.1.2 機器學習類型3
1.1.3 機器學習應用開發步驟4
1.2 集成學習發展與XGBoost提出5
1.2.1 集成學習5
1.2.2 XGBoost6
1.3 小結7
第2章 XGBoost驪珠初探9
2.1 搭建Python機器學習環境9
2.1.1 Jupyter Notebook10
2.1.2 NumPy11
2.1.3 Pandas18
2.1.4 Matplotlib32
2.1.5 scikit-learn39
2.2 搭建XGBoost運行環境39
2.3 示例：XGBoost告訴你蘑菇是否有毒42
2.4 小結44
第3章 機器學習算法基礎45
3.1 KNN45
3.1.1 KNN關鍵因素46
3.1.2 用KNN預測鳶尾花品種47
3.2 線性回歸52
3.2.1 梯度下降法53
3.2.2 模型評估55
3.2.3 通過線性回歸預測波士頓房屋價格55
3.3 邏輯回歸57
3.3.1 模型參數估計59
3.3.2 模型評估60
3.3.3 良性/惡性乳腺腫瘤預測61
3.3.4 softmax64
3.4 決策樹65
3.4.1 構造決策樹66
3.4.2 特征選擇67
3.4.3 決策樹剪枝71
3.4.4 決策樹解決腫瘤分類問題71
3.5 正則化75
3.6 排序78
3.6.1 排序學習算法80
3.6.2 排序評價指標81
3.7 人工神經網絡85
3.7.1 感知器85
3.7.2 人工神經網絡的實現原理87
3.7.3 神經網絡識別手寫體數字90
3.8 支持向量機92
3.8.1 核函數95
3.8.2 松弛變量97
3.8.3 通過SVM識別手寫體數字98
3.9 小結99
第4章 XGBoost小試牛刀100
4.1 XGBoost實現原理100
4.2 二分類問題101
4.3 多分類問題109
4.4 回歸問題113
4.5 排序問題117
4.6 其他常用功能121
4.7 小結145
第5章 XGBoost原理與理論證明146
5.1 CART146
5.1.1 CART生成147
5.1.2 剪枝算法150
5.2 Boosting算法思想與實現151
5.2.1 AdaBoost151
5.2.2 Gradient Boosting151
5.2.3 縮減153
5.2.4 Gradient Tree Boosting153
5.3 XGBoost中的Tree Boosting154
5.3.1 模型定義155
5.3.2 XGBoost中的Gradient Tree Boosting156
5.4 切分點查找算法161
5.4.1 精確貪心算法161
5.4.2 基于直方圖的近似算法163
5.4.3 快速直方圖算法165
5.4.4 加權分位數概要算法167
5.4.5 稀疏感知切分點查找算法167
5.5 排序學習169
5.6 DART174
5.7 樹模型的可解釋性177
5.7.1 Saabas177
5.7.2 SHAP179
5.8 線性模型原理183
5.8.1 Elastic Net回歸183
5.8.2 并行坐標下降法184
5.8.3 XGBoost線性模型的實現185
5.9 系統優化187
5.9.1 基于列存儲數據塊的并行學習188
5.9.2 緩存感知訪問190
5.9.3 外存塊計算191
5.10 小結192
第6章 分布式XGBoost193
6.1 分布式機器學習框架Rabit 193
6.1.1 AllReduce193
6.1.2 Rabit195
6.1.3 Rabit應用197
6.2 資源管理系統YARN 200
6.2.1 YARN的基本架構201
6.2.2 YARN的工作流程202
6.2.3 XGBoost on YARN203
6.3 可移植分布式XGBoost4J205
6.4 基于Spark平臺的實現208
6.4.1 Spark架構208
6.4.2 RDD210
6.4.3 XGBoost4J-Spark211
6.5 基于Flink平臺的實現223
6.5.1 Flink原理簡介224
6.5.2 XGBoost4J-Flink227
6.6 基于GPU加速的實現229
6.6.1 GPU及其編程語言簡介229
6.6.2 XGBoost GPU加速原理230
6.6.3 XGBoost GPU應用236
6.7 小結239
第7章 XGBoost進階240
7.1 模型訓練、預測及解析240
7.1.1 樹模型訓練240
7.1.2 線性模型訓練256
7.1.3 模型預測258
7.1.4 模型解析261
7.2 樹模型更新264
7.2.1 updater_colmaker264
7.2.2 updater_histmaker264
7.2.3 updater_fast_hist271
7.2.4 其他更新器276
7.3 目標函數278
7.3.1 二分類279
7.3.2 回歸280
7.3.3 多分類282
7.3.4 排序學習284
7.4 評估函數288
7.4.1 概述289
7.4.2 二分類291
7.4.3 多分類295
7.4.4 回歸296
7.4.5 排序297
7.5 小結299
第8章 模型選擇與優化300
8.1 偏差與方差300
8.2 模型選擇303
8.2.1 交叉驗證304
8.2.2 Bootstrap306
8.3 超參數優化307
8.3.1 網格搜索308
8.3.2 隨機搜索310
8.3.3 貝葉斯優化313
8.4 XGBoost超參數優化315
8.4.1 XGBoost參數介紹315
8.4.2 XGBoost調參示例319
8.5 小結334
第9章 通過XGBoost實現廣告分類器335
9.1 PCA335
9.1.1 PCA的實現原理335
9.1.2 通過PCA對人臉識別數據降維338
9.1.3 利用PCA實現數據可視化341
9.2 通過XGBoost實現廣告分類器343
9.3 小結357
第10章 基于樹模型的其他研究與應用358
10.1 GBDT、LR融合提升廣告點擊率358
10.2 mGBDT360
10.3 DEF362
10.4 一種基于樹模型的強化學習方法366
10.5 小結370
第1章 機器學習概述1
1.1 何謂機器學習1
1.1.1 機器學習常用基本概念2
1.1.2 機器學習類型3
1.1.3 機器學習應用開發步驟4
1.2 集成學習發展與XGBoost提出5
1.2.1 集成學習5
1.2.2 XGBoost6
1.3 小結7
第2章 XGBoost驪珠初探9
2.1 搭建Python機器學習環境9
2.1.1 Jupyter Notebook10
2.1.2 NumPy11
2.1.3 Pandas18
2.1.4 Matplotlib32
2.1.5 scikit-learn39
2.2 搭建XGBoost運行環境39
2.3 示例：XGBoost告訴你蘑菇是否有毒42
2.4 小結44
第3章 機器學習算法基礎45
3.1 KNN45
3.1.1 KNN關鍵因素46
3.1.2 用KNN預測鳶尾花品種47
3.2 線性回歸52
3.2.1 梯度下降法53
3.2.2 模型評估55
3.2.3 通過線性回歸預測波士頓房屋價格55
3.3 邏輯回歸57
3.3.1 模型參數估計59
3.3.2 模型評估60
3.3.3 良性/惡性乳腺腫瘤預測61
3.3.4 softmax64
3.4 決策樹65
3.4.1 構造決策樹66
3.4.2 特征選擇67
3.4.3 決策樹剪枝71
3.4.4 決策樹解決腫瘤分類問題71
3.5 正則化75
3.6 排序78
3.6.1 排序學習算法80
3.6.2 排序評價指標81
3.7 人工神經網絡85
3.7.1 感知器85
3.7.2 人工神經網絡的實現原理87
3.7.3 神經網絡識別手寫體數字90
3.8 支持向量機92
3.8.1 核函數95
3.8.2 松弛變量97
3.8.3 通過SVM識別手寫體數字98
3.9 小結99
第4章 XGBoost小試牛刀100
4.1 XGBoost實現原理100
4.2 二分類問題101
4.3 多分類問題109
4.4 回歸問題113
4.5 排序問題117
4.6 其他常用功能121
4.7 小結145
第5章 XGBoost原理與理論證明146
5.1 CART146
5.1.1 CART生成147
5.1.2 剪枝算法150
5.2 Boosting算法思想與實現151
5.2.1 AdaBoost151
5.2.2 Gradient Boosting151
5.2.3 縮減153
5.2.4 Gradient Tree Boosting153
5.3 XGBoost中的Tree Boosting154
5.3.1 模型定義155
5.3.2 XGBoost中的Gradient Tree Boosting156
5.4 切分點查找算法161
5.4.1 精確貪心算法161
5.4.2 基于直方圖的近似算法163
5.4.3 快速直方圖算法165
5.4.4 加權分位數概要算法167
5.4.5 稀疏感知切分點查找算法167
5.5 排序學習169
5.6 DART174
5.7 樹模型的可解釋性177
5.7.1 Saabas177
5.7.2 SHAP179
5.8 線性模型原理183
5.8.1 Elastic Net回歸183
5.8.2 并行坐標下降法184
5.8.3 XGBoost線性模型的實現185
5.9 系統優化187
5.9.1 基于列存儲數據塊的并行學習188
5.9.2 緩存感知訪問190
5.9.3 外存塊計算191
5.10 小結192
第6章 分布式XGBoost193
6.1 分布式機器學習框架Rabit 193
6.1.1 AllReduce193
6.1.2 Rabit195
6.1.3 Rabit應用197
6.2 資源管理系統YARN 200
6.2.1 YARN的基本架構201
6.2.2 YARN的工作流程202
6.2.3 XGBoost on YARN203
6.3 可移植分布式XGBoost4J205
6.4 基于Spark平臺的實現208
6.4.1 Spark架構208
6.4.2 RDD210
6.4.3 XGBoost4J-Spark211
6.5 基于Flink平臺的實現223
6.5.1 Flink原理簡介224
6.5.2 XGBoost4J-Flink227
6.6 基于GPU加速的實現229
6.6.1 GPU及其編程語言簡介229
6.6.2 XGBoost GPU加速原理230
6.6.3 XGBoost GPU應用236
6.7 小結239
第7章 XGBoost進階240
7.1 模型訓練、預測及解析240
7.1.1 樹模型訓練240
7.1.2 線性模型訓練256
7.1.3 模型預測258
7.1.4 模型解析261
7.2 樹模型更新264
7.2.1 updater_colmaker264
7.2.2 updater_histmaker264
7.2.3 updater_fast_hist271
7.2.4 其他更新器276
7.3 目標函數278
7.3.1 二分類279
7.3.2 回歸280
7.3.3 多分類282
7.3.4 排序學習284
7.4 評估函數288
7.4.1 概述289
7.4.2 二分類291
7.4.3 多分類295
7.4.4 回歸296
7.4.5 排序297
7.5 小結299
第8章 模型選擇與優化300
8.1 偏差與方差300
8.2 模型選擇303
8.2.1 交叉驗證304
8.2.2 Bootstrap306
8.3 超參數優化307
8.3.1 網格搜索308
8.3.2 隨機搜索310
8.3.3 貝葉斯優化313
8.4 XGBoost超參數優化315
8.4.1 XGBoost參數介紹315
8.4.2 XGBoost調參示例319
8.5 小結334
第9章 通過XGBoost實現廣告分類器335
9.1 PCA335
9.1.1 PCA的實現原理335
9.1.2 通過PCA對人臉識別數據降維338
9.1.3 利用PCA實現數據可視化341
9.2 通過XGBoost實現廣告分類器343
9.3 小結357
第10章 基于樹模型的其他研究與應用358
10.1 GBDT、LR融合提升廣告點擊率358
10.2 mGBDT360
10.3 DEF362
10.4 一種基于樹模型的強化學習方法366
10.5 小結370
展開全部
深入理解XGBoost:高效機器學習算法與進階 作者簡介
何龍 現就職于滴滴出行，XGBoost開源社區貢獻者，專注于人工智能和機器學習領域，從底層算法原理到上層應用實踐都有廣泛的興趣和研究。較早接觸XGBoost，熟悉XGBoost應用開發，深入閱讀源碼，具有豐富的項目開發經驗。
書友推薦
- >
姑媽的寶刀
- >
朝聞道
- >
龍榆生：詞曲概論/大家小書
- >
史學評論
- >
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)
- >
羅庸西南聯大授課錄
- >
巴金－再思錄
- >
二體千字文
本類暢銷
