掃一掃
關注中圖網
官方微博
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
自動機器學習入門與實踐:使用Python 版權信息
- ISBN：9787568049528
- 條形碼：9787568049528 ; 978-7-5680-4952-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
自動機器學習入門與實踐:使用Python 本書特色
AutoML可以將部分機器學習過程自動化，減輕數據科學從業者的工作負擔，深受高級分析人員的喜愛。本書介紹搭建AutoML模塊的基礎知識，并通過練習幫助讀者消化這些知識。讀者將學習使用機器學習流水線自動實現數據預處理、特征選擇、模型訓練、模型優化等任務，學習應用auto-sklearn和MLBox等已有的自動化庫，并且創建和擴展自定義的AutoML環節。閱讀本書，你將對AutoML有更清晰的認識，能利用真實數據集完成自動化任務。書中知識可運用到實際的機器學習項目中，或者在機器學習競賽中助你一臂之力。
自動機器學習入門與實踐:使用Python 內容簡介
本書AutoML可以將部分機器學習過程自動化, 減輕數據科學從業者的工作負擔, 深受高級分析人員的喜愛。本書介紹搭建AutoML模塊的基礎知識, 并通過練習幫助讀者消化這些知識。
自動機器學習入門與實踐:使用Python 目錄
第1章 AutoML簡介 1
1.1 機器學習的范圍 2
1.2 什么是AutoML 4
1.3 為什么和怎么用AutoML 10
1.4 何時需要將機器學習自動化 11
1.5 能學到什么 11
1.6 AutoML庫概述 13
1.7 總結 23
第2章 Python機器學習簡介 25
2.1 技術要求 26
2.2 機器學習 26
2.3 線性回歸 28
2.4 重要評估指標——回歸算法 37
2.5 邏輯回歸 39
2.6 重要評估指標——分類算法 44
2.7 決策樹 46
2.8 支持向量機 49
2.9 K近鄰算法 52
2.10 集成方法 54
2.11 分類器結果對比 59
2.12 交叉驗證 60
2.13 聚類 61
2.14 總結 66
第3章 數據預處理 67
3.1 技術要求 68
3.2 數據轉換 68
3.3 特征選擇 97
3.4 特征生成 103
3.5 總結 105
第4章 自動化算法選擇 107
4.1 技術要求 108
4.2 計算復雜度 108
4.3 訓練時間和推理時間的區別 110
4.4 線性與非線性 119
4.5 必要特征轉換 124
4.6 監督機器學習 125
4.7 無監督AutoML 132
4.8 總結 157
第5章 超參數優化 159
5.1 技術要求 160
5.2 超參數 161
5.3 熱啟動 173
5.4 貝葉斯超參數優化 174
5.5 示例系統 175
5.6 總結 178
第6章 創建AutoML流水線 179
6.1 技術要求 180
6.2 機器學習流水線簡介 180
6.3 簡單的流水線 182
6.4 函數轉換器 184
6.5 復雜流水線 187
6.6 總結 190
第7章 深度學習探究 191
7.1 技術要求 192
7.2 神經網絡概覽 192
7.3 使用Keras的前饋神經網絡 198
7.4 自編碼器 201
7.5 卷積神經網絡 205
7.6 總結 210
第8章 機器學習和數據科學項目的重點 211
8.1 機器學習搜索 211
8.2 機器學習的權衡 221
8.3 典型數據科學項目的參與模型 222
8.4 參與模型的階段 223
8.5 總結 228
作者簡介 230
索引 231
1.1 機器學習的范圍 2
1.2 什么是AutoML 4
1.3 為什么和怎么用AutoML 10
1.4 何時需要將機器學習自動化 11
1.5 能學到什么 11
1.6 AutoML庫概述 13
1.7 總結 23
第2章 Python機器學習簡介 25
2.1 技術要求 26
2.2 機器學習 26
2.3 線性回歸 28
2.4 重要評估指標——回歸算法 37
2.5 邏輯回歸 39
2.6 重要評估指標——分類算法 44
2.7 決策樹 46
2.8 支持向量機 49
2.9 K近鄰算法 52
2.10 集成方法 54
2.11 分類器結果對比 59
2.12 交叉驗證 60
2.13 聚類 61
2.14 總結 66
第3章 數據預處理 67
3.1 技術要求 68
3.2 數據轉換 68
3.3 特征選擇 97
3.4 特征生成 103
3.5 總結 105
第4章 自動化算法選擇 107
4.1 技術要求 108
4.2 計算復雜度 108
4.3 訓練時間和推理時間的區別 110
4.4 線性與非線性 119
4.5 必要特征轉換 124
4.6 監督機器學習 125
4.7 無監督AutoML 132
4.8 總結 157
第5章 超參數優化 159
5.1 技術要求 160
5.2 超參數 161
5.3 熱啟動 173
5.4 貝葉斯超參數優化 174
5.5 示例系統 175
5.6 總結 178
第6章 創建AutoML流水線 179
6.1 技術要求 180
6.2 機器學習流水線簡介 180
6.3 簡單的流水線 182
6.4 函數轉換器 184
6.5 復雜流水線 187
6.6 總結 190
第7章 深度學習探究 191
7.1 技術要求 192
7.2 神經網絡概覽 192
7.3 使用Keras的前饋神經網絡 198
7.4 自編碼器 201
7.5 卷積神經網絡 205
7.6 總結 210
第8章 機器學習和數據科學項目的重點 211
8.1 機器學習搜索 211
8.2 機器學習的權衡 221
8.3 典型數據科學項目的參與模型 222
8.4 參與模型的階段 223
8.5 總結 228
作者簡介 230
索引 231
展開全部
自動機器學習入門與實踐:使用Python 作者簡介
Sibanjan Das是業界資深數據科學顧問，是廣獲好評的《Data Science Using Oracle Data Miner and Oracle R Enterprise》一書作者。
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
經典常談
- >
回憶愛瑪儂
- >
伯納黛特,你要去哪(2021新版)
- >
羅庸西南聯大授課錄
- >
二體千字文
- >
有舍有得是人生
- >
小考拉的故事-套裝共3冊
本類暢銷
