掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
人工智能開(kāi)發(fā)叢書(shū)人工智能開(kāi)發(fā)叢書(shū)--數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí):PMML建模(下)
包郵 人工智能開(kāi)發(fā)叢書(shū)人工智能開(kāi)發(fā)叢書(shū)--數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí):PMML建模(下)
開(kāi)本：
16開(kāi)
頁(yè)數(shù)：
228
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)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):¥71.3
加入購(gòu)物車(chē)
人工智能開(kāi)發(fā)叢書(shū)人工智能開(kāi)發(fā)叢書(shū)--數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí):PMML建模(下) 版權(quán)信息
- ISBN：9787122369871
- 條形碼：9787122369871 ; 978-7-122-36987-1
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
人工智能開(kāi)發(fā)叢書(shū)人工智能開(kāi)發(fā)叢書(shū)--數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí):PMML建模(下) 本書(shū)特色
本書(shū)是當(dāng)前國(guó)內(nèi)獨(dú)一關(guān)于數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)語(yǔ)言PMML的圖書(shū)。潘風(fēng)文博士具有大數(shù)據(jù)領(lǐng)域二十多年的豐富經(jīng)驗(yàn)，取得諸多成果，本書(shū)是作者長(zhǎng)期研發(fā)經(jīng)驗(yàn)的積累結(jié)晶。
人工智能開(kāi)發(fā)叢書(shū)人工智能開(kāi)發(fā)叢書(shū)--數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí):PMML建模(下) 內(nèi)容簡(jiǎn)介
本書(shū)詳細(xì)描述了PMML規(guī)范（Ver4.3）所支持的8種模型：神經(jīng)網(wǎng)絡(luò)模型、決策樹(shù)模型、規(guī)則集模型、序列模型、評(píng)分卡模型、支持向量機(jī)模型、時(shí)間序列模型和聚合模型。全書(shū)不是簡(jiǎn)單地介紹PMML語(yǔ)法，而是融合各種挖掘模型基礎(chǔ)知識(shí)和算法知識(shí)，告訴開(kāi)發(fā)者如何融會(huì)貫通地掌握、使用PMML語(yǔ)言，不僅能夠?qū)W習(xí)到標(biāo)準(zhǔn)的PMML模型表達(dá)方式，而且能學(xué)習(xí)機(jī)器學(xué)習(xí)模型的豐富知識(shí)，從而熟練地把PMML語(yǔ)言應(yīng)用到自己的項(xiàng)目實(shí)踐中。 本書(shū)可供從事數(shù)據(jù)挖掘（機(jī)器學(xué)習(xí)）、人工智能系統(tǒng)開(kāi)發(fā)的軟件開(kāi)發(fā)者和愛(ài)好者學(xué)習(xí)使用，也可以作為高等院校大數(shù)據(jù)和人工智能等相關(guān)專業(yè)的教材。
人工智能開(kāi)發(fā)叢書(shū)人工智能開(kāi)發(fā)叢書(shū)--數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí):PMML建模(下) 目錄
1 神經(jīng)網(wǎng)絡(luò)模型（NeuralNetwork） 1
1.1 神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)知識(shí) 2
1.2 神經(jīng)網(wǎng)絡(luò)模型算法簡(jiǎn)介 5
1.3 神經(jīng)網(wǎng)絡(luò)模型元素 9
1.3.1 模型屬性 10
1.3.2 模型子元素 14
1.3.3 評(píng)分應(yīng)用過(guò)程 28
2 決策樹(shù)模型（TreeModel） 29
2.1 決策樹(shù)模型基礎(chǔ)知識(shí) 30
2.1.1 決策樹(shù)模型簡(jiǎn)介 30
2.1.2 邏輯謂詞表達(dá)式 31
2.2 決策樹(shù)模型算法簡(jiǎn)介 33
2.2.1 卡方自動(dòng)交互檢驗(yàn)算法（CHAID） 33
2.2.2 迭代二叉樹(shù)ID3 42
2.2.3 分類(lèi)器C4.5和C5.0 47
2.2.4 分類(lèi)與回歸樹(shù)算法CART 53
2.3 決策樹(shù)模型元素 54
2.3.1 模型屬性 56
2.3.2 模型子元素 59
2.3.3 評(píng)分應(yīng)用過(guò)程 68
3 規(guī)則集模型（RuleSetModel） 79
3.1 規(guī)則集模型基礎(chǔ)知識(shí) 80
3.2 規(guī)則集模型元素 80
3.2.1 模型屬性 81
3.2.2 模型子元素 81
3.2.3 評(píng)分應(yīng)用過(guò)程 89
4 序列模型（SequenceModel） 93
4.1 序列模型基礎(chǔ)知識(shí) 94
4.2 序列模型算法簡(jiǎn)介 97
4.2.1 GSP算法 97
4.2.2 SPADE算法 101
4.2.3 PrefixSpan算法 103
4.3 序列模型元素 104
4.3.1 模型屬性 106
4.3.2 模型子元素 107
4.3.3 評(píng)分應(yīng)用過(guò)程 118
5 評(píng)分卡模型（Scorecard） 119
5.1 評(píng)分卡模型基礎(chǔ)知識(shí) 120
5.2 評(píng)分卡模型算法簡(jiǎn)介 121
5.3 評(píng)分卡模型元素 131
5.3.1 模型屬性 132
5.3.2 模型子元素 134
5.3.3 評(píng)分應(yīng)用過(guò)程 143
6 支持向量機(jī)模型（SupportVectorMachineModel） 145
6.1 支持向量機(jī)模型基礎(chǔ)知識(shí) 146
6.2 支持向量機(jī)模型算法簡(jiǎn)介 148
6.3 支持向量機(jī)模型元素 152
6.3.1 模型屬性 154
6.3.2 模型子元素 155
6.3.3 評(píng)分應(yīng)用過(guò)程 164
7 時(shí)間序列模型（TimeSeriesModel） 167
7.1 時(shí)間序列模型基礎(chǔ)知識(shí) 168
7.2 時(shí)間序列模型算法簡(jiǎn)介 171
7.2.1 算法概述 172
7.2.2 指數(shù)平滑算法 173
7.3 時(shí)間序列模型元素 176
7.3.1 模型屬性 177
7.3.2 模型子元素 178
7.3.3 評(píng)分應(yīng)用過(guò)程 192
8 聚合模型（MiningModel） 195
8.1 模型聚合基礎(chǔ)知識(shí) 196
8.2 挖掘模型MiningModel 197
附錄 225
后記 227
1.1 神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)知識(shí) 2
1.2 神經(jīng)網(wǎng)絡(luò)模型算法簡(jiǎn)介 5
1.3 神經(jīng)網(wǎng)絡(luò)模型元素 9
1.3.1 模型屬性 10
1.3.2 模型子元素 14
1.3.3 評(píng)分應(yīng)用過(guò)程 28
2 決策樹(shù)模型（TreeModel） 29
2.1 決策樹(shù)模型基礎(chǔ)知識(shí) 30
2.1.1 決策樹(shù)模型簡(jiǎn)介 30
2.1.2 邏輯謂詞表達(dá)式 31
2.2 決策樹(shù)模型算法簡(jiǎn)介 33
2.2.1 卡方自動(dòng)交互檢驗(yàn)算法（CHAID） 33
2.2.2 迭代二叉樹(shù)ID3 42
2.2.3 分類(lèi)器C4.5和C5.0 47
2.2.4 分類(lèi)與回歸樹(shù)算法CART 53
2.3 決策樹(shù)模型元素 54
2.3.1 模型屬性 56
2.3.2 模型子元素 59
2.3.3 評(píng)分應(yīng)用過(guò)程 68
3 規(guī)則集模型（RuleSetModel） 79
3.1 規(guī)則集模型基礎(chǔ)知識(shí) 80
3.2 規(guī)則集模型元素 80
3.2.1 模型屬性 81
3.2.2 模型子元素 81
3.2.3 評(píng)分應(yīng)用過(guò)程 89
4 序列模型（SequenceModel） 93
4.1 序列模型基礎(chǔ)知識(shí) 94
4.2 序列模型算法簡(jiǎn)介 97
4.2.1 GSP算法 97
4.2.2 SPADE算法 101
4.2.3 PrefixSpan算法 103
4.3 序列模型元素 104
4.3.1 模型屬性 106
4.3.2 模型子元素 107
4.3.3 評(píng)分應(yīng)用過(guò)程 118
5 評(píng)分卡模型（Scorecard） 119
5.1 評(píng)分卡模型基礎(chǔ)知識(shí) 120
5.2 評(píng)分卡模型算法簡(jiǎn)介 121
5.3 評(píng)分卡模型元素 131
5.3.1 模型屬性 132
5.3.2 模型子元素 134
5.3.3 評(píng)分應(yīng)用過(guò)程 143
6 支持向量機(jī)模型（SupportVectorMachineModel） 145
6.1 支持向量機(jī)模型基礎(chǔ)知識(shí) 146
6.2 支持向量機(jī)模型算法簡(jiǎn)介 148
6.3 支持向量機(jī)模型元素 152
6.3.1 模型屬性 154
6.3.2 模型子元素 155
6.3.3 評(píng)分應(yīng)用過(guò)程 164
7 時(shí)間序列模型（TimeSeriesModel） 167
7.1 時(shí)間序列模型基礎(chǔ)知識(shí) 168
7.2 時(shí)間序列模型算法簡(jiǎn)介 171
7.2.1 算法概述 172
7.2.2 指數(shù)平滑算法 173
7.3 時(shí)間序列模型元素 176
7.3.1 模型屬性 177
7.3.2 模型子元素 178
7.3.3 評(píng)分應(yīng)用過(guò)程 192
8 聚合模型（MiningModel） 195
8.1 模型聚合基礎(chǔ)知識(shí) 196
8.2 挖掘模型MiningModel 197
附錄 225
后記 227
展開(kāi)全部
書(shū)友推薦
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(shū)(紅燭學(xué)術(shù)叢書(shū))
- >
名家?guī)阕x魯迅:朝花夕拾
- >
【精裝繪本】畫(huà)給孩子的中國(guó)神話
- >
二體千字文
- >
羅庸西南聯(lián)大授課錄
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
煙與鏡
- >
名家?guī)阕x魯迅:故事新編
本類(lèi)暢銷(xiāo)
