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
Python機器學習實戰案例(本科教材) 版權信息
- ISBN：9787302541899
- 條形碼：9787302541899 ; 978-7-302-54189-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習實戰案例(本科教材) 本書特色
本書基于 Python語言,實現了10個典 型的實戰案例,其內容涵蓋了機器學習的基礎算法,主要包括統計學習基礎、分類、貝葉斯網絡、文本分析、 圖像處理等機器學習理論。
Python機器學習實戰案例(本科教材) 內容簡介
以實際應用的項目作為案例,實踐性強,注重提升讀者的動手操作能力,適合作為高等院校本科生、研究生機器學習、數據分析、數據挖掘等課程的實驗教材
Python機器學習實戰案例(本科教材) 目錄
目錄
第1章集裝箱危險品瞞報預測 1.1業務背景分析 1.2數據提取 1.3數據預處理 1.3.1數據集成 1.3.2數據清洗 1.3.3數據變換 1.3.4數據離散化 1.3.5特征重要性篩選 1.3.6數據平衡 1.4危險品瞞報預測建模 1.5模型評估 第2章保險產品推薦 2.1業務背景分析 2.2數據探索 2.3數據預處理 2.4分類模型構建 2.5平衡數據集 2.6算法調參 2.7模型比較 第3章圖書類目自動標引系統 3.1業務背景分析 3.2數據提取 3.3數據預處理 3.4基于貝葉斯分類的文獻標引 3.4.1增量訓練 3.4.2特征降維與消歧 3.4.3權重調節
3.5性能評估與結論 3.6基于BERT算法的文獻標引 3.6.1數據預處理 3.6.2構建訓練集 3.6.3模型實現 第4章基于分類算法的學習失敗預警 4.1業務背景分析 4.2學習失敗風險預測流程 4.3數據收集 4.4數據預處理 4.4.1數據探查及特征選擇 4.4.2數據集劃分及不平衡樣本處理 4.4.3樣本生成及標準化處理 4.5隨機森林算法 4.5.1網格搜索及模型訓練 4.5.2結果分析與可視化 4.5.3特征重要性分析 4.5.4與其他算法比較 第5章自然語言處理技術實例 5.1業務背景分析 5.2分析框架 5.3數據收集 5.4建立模型 5.4.1文本分詞 5.4.2主題詞提取 5.4.3情感分析 5.4.4語義角色標記 5.4.5語言模型 5.4.6詞向量模型Word2vec 第6章基于標簽的信息推薦系統 6.1業務背景分析 6.2數據預處理 6.2.1現有系統現狀 6.2.2數據預處理 6.3內容分析 6.4基于協同過濾推薦 6.4.1用戶偏好矩陣構建 6.4.2用戶相似度度量 6.5基于用戶興趣推薦 6.6“冷啟動”問題與混合策略 6.6.1冷啟動問題分析 6.6.2混合策略 第7章快銷行業客戶行為分析與流失預警 7.1業務背景分析 7.2數據預處理 7.2.1數據整理 7.2.2數據統計與探查 7.3用戶行為分析 7.3.1用戶流失風險評估 7.3.2流失風險預警模型集成 第8章基于深度學習的圖片識別系統 8.1業務背景分析 8.2圖片識別技術方案 8.3圖片預處理——表格旋轉 8.4圖片預處理——表格提取 8.5基于PaddlePaddle框架的文本識別 8.5.1環境安裝 8.5.2模型設計 8.5.3模型訓練 8.5.4模型使用 8.6基于密集卷積網絡的文本識別模型 8.6.1訓練數據生成 8.6.2DenseNet模型訓練 8.6.3文本識別模型調用 第9章超分辨率圖像重建 9.1數據探索 9.2數據預處理 9.2.1圖像尺寸調整 9.2.2載入數據 9.2.3圖像預處理 9.2.4持久化測試數據 9.3模型設計 9.3.1殘差塊 9.3.2上采樣 PixelShuffler 9.3.3生成器 9.3.4判別器 9.3.5損失函數與優化器定義 9.3.6訓練過程 9.4實驗評估 第10章人類活動識別 10.1業務背景分析 10.2數據探索 10.3數據預處理 10.4模型構建 10.5模型評估 附錄機器學習復習題 參考文獻
第1章集裝箱危險品瞞報預測 1.1業務背景分析 1.2數據提取 1.3數據預處理 1.3.1數據集成 1.3.2數據清洗 1.3.3數據變換 1.3.4數據離散化 1.3.5特征重要性篩選 1.3.6數據平衡 1.4危險品瞞報預測建模 1.5模型評估 第2章保險產品推薦 2.1業務背景分析 2.2數據探索 2.3數據預處理 2.4分類模型構建 2.5平衡數據集 2.6算法調參 2.7模型比較 第3章圖書類目自動標引系統 3.1業務背景分析 3.2數據提取 3.3數據預處理 3.4基于貝葉斯分類的文獻標引 3.4.1增量訓練 3.4.2特征降維與消歧 3.4.3權重調節
3.5性能評估與結論 3.6基于BERT算法的文獻標引 3.6.1數據預處理 3.6.2構建訓練集 3.6.3模型實現 第4章基于分類算法的學習失敗預警 4.1業務背景分析 4.2學習失敗風險預測流程 4.3數據收集 4.4數據預處理 4.4.1數據探查及特征選擇 4.4.2數據集劃分及不平衡樣本處理 4.4.3樣本生成及標準化處理 4.5隨機森林算法 4.5.1網格搜索及模型訓練 4.5.2結果分析與可視化 4.5.3特征重要性分析 4.5.4與其他算法比較 第5章自然語言處理技術實例 5.1業務背景分析 5.2分析框架 5.3數據收集 5.4建立模型 5.4.1文本分詞 5.4.2主題詞提取 5.4.3情感分析 5.4.4語義角色標記 5.4.5語言模型 5.4.6詞向量模型Word2vec 第6章基于標簽的信息推薦系統 6.1業務背景分析 6.2數據預處理 6.2.1現有系統現狀 6.2.2數據預處理 6.3內容分析 6.4基于協同過濾推薦 6.4.1用戶偏好矩陣構建 6.4.2用戶相似度度量 6.5基于用戶興趣推薦 6.6“冷啟動”問題與混合策略 6.6.1冷啟動問題分析 6.6.2混合策略 第7章快銷行業客戶行為分析與流失預警 7.1業務背景分析 7.2數據預處理 7.2.1數據整理 7.2.2數據統計與探查 7.3用戶行為分析 7.3.1用戶流失風險評估 7.3.2流失風險預警模型集成 第8章基于深度學習的圖片識別系統 8.1業務背景分析 8.2圖片識別技術方案 8.3圖片預處理——表格旋轉 8.4圖片預處理——表格提取 8.5基于PaddlePaddle框架的文本識別 8.5.1環境安裝 8.5.2模型設計 8.5.3模型訓練 8.5.4模型使用 8.6基于密集卷積網絡的文本識別模型 8.6.1訓練數據生成 8.6.2DenseNet模型訓練 8.6.3文本識別模型調用 第9章超分辨率圖像重建 9.1數據探索 9.2數據預處理 9.2.1圖像尺寸調整 9.2.2載入數據 9.2.3圖像預處理 9.2.4持久化測試數據 9.3模型設計 9.3.1殘差塊 9.3.2上采樣 PixelShuffler 9.3.3生成器 9.3.4判別器 9.3.5損失函數與優化器定義 9.3.6訓練過程 9.4實驗評估 第10章人類活動識別 10.1業務背景分析 10.2數據探索 10.3數據預處理 10.4模型構建 10.5模型評估 附錄機器學習復習題 參考文獻
展開全部
Python機器學習實戰案例(本科教材) 作者簡介
復旦大學計算機科學技術學院副教授，主要負責商務數據分析、機器學習等課程的教學。主持國家自然科學基金以及上海市浦江人才以及企業合作課題等30多項項目。出版著作以及教材《商務智能（第四版）》《機器學習案例實戰》《python機器學習實戰案例》等10多部。獲得上海市2015年上海市科技進步二等獎。
書友推薦
- >
自卑與超越
- >
煙與鏡
- >
名家帶你讀魯迅:故事新編
- >
伊索寓言-世界文學名著典藏-全譯本
- >
回憶愛瑪儂
- >
羅曼·羅蘭讀書隨筆-精裝
- >
推拿
- >
龍榆生：詞曲概論/大家小書
本類暢銷
