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
機器學習算法評估實戰 版權信息
- ISBN：9787115552402
- 條形碼：9787115552402 ; 978-7-115-55240-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習算法評估實戰 本書特色
機器學習算法評估就是用科學的指標，對機器學習算法的智能性、穩定性與可靠性進行完整、可靠的評價，并給出有條理的、可解釋的結論。一個優秀的算法在上線之前，一定要經過嚴密、周全的評估，才能應對現實業務環境的復雜情況，充分發揮令人驚嘆的“人工智能之美”。 本書特色： 1. 圖文并茂，全彩印刷，完整而系統地介紹機器學習算法評估理論； 2. 配套源碼，基于業務場景評價算法上線服務的可靠性； 3. 利用算法評估工具進行實踐，探索機器學習算法本質。
機器學習算法評估實戰 內容簡介
機器學習算法評估力求用科學的指標，對機器學習算法進行完整、可靠的評價。 本書詳細介紹機器學習算法評估的理論、方法和實踐。全書分為3個部分。部分包含章～第3章，針對分類算法、回歸算法和聚類算法分別介紹對應的基礎理論和評估方法：第2部分包含第4章～第8章，介紹更復雜的模型（如深度學習模型和集成樹模型）的對比與評估，并且針對它們實際應用的業務場景介紹一些特有的評估指標和評估體系：第3部分包含第9章～1章，總結算法評估的常用工具、技術及方法論，包括實用的可視化工具介紹，并討論機器學習算法的本質。 本書適合機器學習專業相關從業者和算法工程師閱讀，也適合想要從事人工智能和機器學習工作的人士學習和參考。
機器學習算法評估實戰 目錄
第 1章 分類的藝術 1
1．1 訓練集和測試集的選擇 1
1．2 準召率和P-R曲線 6
1．3 ROC和AUC 8
1．5 異常檢測 12
1．5 小結 14
第 2章 一個好的回歸算法 15
2．1 ME那些事 15
2．2 方差和偏差 17
2．3 欠擬合和過擬合 18
2．4 正則化方法 20
2．5 回歸算法的對比 24
2．5．1 線性回歸 24
2．5．2 局部加權線性回歸 25
2．5．3 嶺回歸 26
2．6 梯度下降的對比 26
2．6．1 一般的梯度下降 26
2．6．2 隨機梯度下降和批量梯度下降 28
2．6．3 動量梯度下降 29
2．6．4 AdaGrad、RMSProp和Adam 29
2．7 小結 31
第3章 “硬核”聚類 33
3．1 無監督學習 33
3．2 聚類算法的評估指標 34
3．2．1 霍普金斯統計量 34
3．2．2 類簇的數量 35
3．2．3 聚類效果 39
3．3 聚類算法的對比 44
3．3．1 基于密度的聚類 44
3．3．2 K-means 45
3．3．3 基于層次的聚類 46
3．3．4 基于概率的聚類 47
3．4 小結 48
第4章 慧眼識天下——深度學習算法原理對比 49
4．1 卷積神經網絡 49
4．1．1 簡單的卷積神經網絡 49
4．1．2 詳解卷積神經網絡 53
4．2 循環神經網絡 60
4．2．1 圖解RNN 60
4．2．2 RNN的訓練 65
4．2．3 RNN的變化形式 67
4．3 更實用的模型 68
4．3．1 LSTM 69
4．3．2 Seq2Seq 71
4．3．3 注意力機制 73
4．4 小結 74
第5章 智慧的語言——NLP算法實戰與評估 76
5．1 文字的預處理 76
5．1．1 嵌入 76
5．1．2 word2vec 77
5．1．3 詞袋模型與TF-IDF 82
5．2 RNN文本分類 84
5．2．1 RNN文本分類的模塊 84
5．2．2 參數定義 84
5．2．3 預處理 85
5．2．4 模型定義 86
5．2．5 模型訓練和評估 87
5．3 HAN文本分類 88
5．3．1 HAN和GRU的基本原理 88
5．3．2 HAN的注意力層 90
5．4 NLP評估 92
5．4．1 N-gram 92
5．4．2 BLEU 93
5．4．3 ROUGE 96
5．4．4 Pointwise、Pairwise和Listwise排序算法 98
5．5 小結 100
第6章 預言家的思考——樹模型的對比與評估 101
6．1 基礎樹模型的對比 101
6．1．1 ID3 101
6．1．2 C4．5 103
6．1．3 CART 104
6．2 隨機森林和AdaBoost 106
6．2．1 隨機森林 106
6．2．2 AdaBoost 108
6．3 GBDT 110
6．3．1 GBDT簡介 110
6．3．2 GBDT和回歸問題 111
6．3．3 GBDT和分類問題 117
6．4 XGBoost 124
6．4．1 XGBoost簡介 124
6．4．2 XGBoost回歸算法 127
6．4．3 XGBoost分類算法 132
6．4．4 XGBoost的優化方法和特征評估 136
6．4．5 GBDT和XGBoost的對比評估 139
6．5 小結 140
第7章 愛我所愛——推薦算法對比與評估 141
7．1 多路召回 141
7．1．1 基于用戶的協同過濾 141
7．1．2 基于物品的協同過濾 144
7．2 邏輯斯諦回歸 145
7．2．1 邏輯斯諦回歸的基本原理 145
7．2．2 邏輯斯諦回歸和推薦排序 148
7．3 FM、FFM和特征組合 150
7．3．1 FM基本原理 151
7．3．2 用FFM和GBDT進行高階特征組合 153
7．4 Wide&Deep 155
7．5 更有趣的模型——Transformer 157
7．5．1 模型整體架構 158
7．5．2 注意力機制 159
7．5．3 編碼器 163
7．5．4 解碼器 163
7．5．5 基于位置的前饋神經網絡 164
7．5．6 嵌入層 165
7．5．7 線性層和softmax層 166
7．5．8 Transformer在推薦系統的應用 167
7．6 推薦算法的評估 170
7．6．1 準確度指標 171
7．6．2 排序指標 172
7．6．3 覆蓋率 175
7．6．4 多樣性和新穎性 175
7．7 小結 176
第8章 奇門遁甲—LBS算法與評估 177
8．1 坐標 177
8．1．1 坐標生成 177
8．1．2 基于密度的坐標生成 179
8．1．3 基于GeoHash塊熱度的坐標生成 180
8．1．4 坐標質量評估 181
8．2 路線 183
8．2．1 路線相似度評估 183
8．2．2 路線規劃——Dijkstra算法 185
8．2．3 路線排序 188
8．2．4 路線質量評估 194
8．3 小結 196
第9章 評估利器——交互式可視化 198
9．1 R語言簡介 198
9．1．1 為什么要可視化 198
9．1．2 R語言介紹 199
9．1．3 數據生態 202
9．2 Shiny可視化 204
9．2．1 UI布局 204
9．2．2 服務器 209
9．2．3 可視化評估示例 212
9．3 小結 215
第 10章 像哲學家一樣思考——因果推斷 216
10．1 機器學習之殤 216
鸚鵡學舌vs．烏鴉喝水 216
10．2 辛普森悖論 218
10．3 伯克森悖論 223
10．4 智能之梯 224
10．4．1 因果推斷的起源 224
10．4．2 智能之梯 225
10．5 因果推斷的方法 228
10．5．1 雙重差分模型 228
10．5．2 工具變量 229
10．5．3 中介模型 231
10．6 小結 232
第 11章 基礎評估方法——假設檢驗 234
11．1 卡方檢驗 234
11．2 T檢驗 236
11．3 Z檢驗和F檢驗 238
11．4 小結 241
參考文獻 242
1．1 訓練集和測試集的選擇 1
1．2 準召率和P-R曲線 6
1．3 ROC和AUC 8
1．5 異常檢測 12
1．5 小結 14
第 2章 一個好的回歸算法 15
2．1 ME那些事 15
2．2 方差和偏差 17
2．3 欠擬合和過擬合 18
2．4 正則化方法 20
2．5 回歸算法的對比 24
2．5．1 線性回歸 24
2．5．2 局部加權線性回歸 25
2．5．3 嶺回歸 26
2．6 梯度下降的對比 26
2．6．1 一般的梯度下降 26
2．6．2 隨機梯度下降和批量梯度下降 28
2．6．3 動量梯度下降 29
2．6．4 AdaGrad、RMSProp和Adam 29
2．7 小結 31
第3章 “硬核”聚類 33
3．1 無監督學習 33
3．2 聚類算法的評估指標 34
3．2．1 霍普金斯統計量 34
3．2．2 類簇的數量 35
3．2．3 聚類效果 39
3．3 聚類算法的對比 44
3．3．1 基于密度的聚類 44
3．3．2 K-means 45
3．3．3 基于層次的聚類 46
3．3．4 基于概率的聚類 47
3．4 小結 48
第4章 慧眼識天下——深度學習算法原理對比 49
4．1 卷積神經網絡 49
4．1．1 簡單的卷積神經網絡 49
4．1．2 詳解卷積神經網絡 53
4．2 循環神經網絡 60
4．2．1 圖解RNN 60
4．2．2 RNN的訓練 65
4．2．3 RNN的變化形式 67
4．3 更實用的模型 68
4．3．1 LSTM 69
4．3．2 Seq2Seq 71
4．3．3 注意力機制 73
4．4 小結 74
第5章 智慧的語言——NLP算法實戰與評估 76
5．1 文字的預處理 76
5．1．1 嵌入 76
5．1．2 word2vec 77
5．1．3 詞袋模型與TF-IDF 82
5．2 RNN文本分類 84
5．2．1 RNN文本分類的模塊 84
5．2．2 參數定義 84
5．2．3 預處理 85
5．2．4 模型定義 86
5．2．5 模型訓練和評估 87
5．3 HAN文本分類 88
5．3．1 HAN和GRU的基本原理 88
5．3．2 HAN的注意力層 90
5．4 NLP評估 92
5．4．1 N-gram 92
5．4．2 BLEU 93
5．4．3 ROUGE 96
5．4．4 Pointwise、Pairwise和Listwise排序算法 98
5．5 小結 100
第6章 預言家的思考——樹模型的對比與評估 101
6．1 基礎樹模型的對比 101
6．1．1 ID3 101
6．1．2 C4．5 103
6．1．3 CART 104
6．2 隨機森林和AdaBoost 106
6．2．1 隨機森林 106
6．2．2 AdaBoost 108
6．3 GBDT 110
6．3．1 GBDT簡介 110
6．3．2 GBDT和回歸問題 111
6．3．3 GBDT和分類問題 117
6．4 XGBoost 124
6．4．1 XGBoost簡介 124
6．4．2 XGBoost回歸算法 127
6．4．3 XGBoost分類算法 132
6．4．4 XGBoost的優化方法和特征評估 136
6．4．5 GBDT和XGBoost的對比評估 139
6．5 小結 140
第7章 愛我所愛——推薦算法對比與評估 141
7．1 多路召回 141
7．1．1 基于用戶的協同過濾 141
7．1．2 基于物品的協同過濾 144
7．2 邏輯斯諦回歸 145
7．2．1 邏輯斯諦回歸的基本原理 145
7．2．2 邏輯斯諦回歸和推薦排序 148
7．3 FM、FFM和特征組合 150
7．3．1 FM基本原理 151
7．3．2 用FFM和GBDT進行高階特征組合 153
7．4 Wide&Deep 155
7．5 更有趣的模型——Transformer 157
7．5．1 模型整體架構 158
7．5．2 注意力機制 159
7．5．3 編碼器 163
7．5．4 解碼器 163
7．5．5 基于位置的前饋神經網絡 164
7．5．6 嵌入層 165
7．5．7 線性層和softmax層 166
7．5．8 Transformer在推薦系統的應用 167
7．6 推薦算法的評估 170
7．6．1 準確度指標 171
7．6．2 排序指標 172
7．6．3 覆蓋率 175
7．6．4 多樣性和新穎性 175
7．7 小結 176
第8章 奇門遁甲—LBS算法與評估 177
8．1 坐標 177
8．1．1 坐標生成 177
8．1．2 基于密度的坐標生成 179
8．1．3 基于GeoHash塊熱度的坐標生成 180
8．1．4 坐標質量評估 181
8．2 路線 183
8．2．1 路線相似度評估 183
8．2．2 路線規劃——Dijkstra算法 185
8．2．3 路線排序 188
8．2．4 路線質量評估 194
8．3 小結 196
第9章 評估利器——交互式可視化 198
9．1 R語言簡介 198
9．1．1 為什么要可視化 198
9．1．2 R語言介紹 199
9．1．3 數據生態 202
9．2 Shiny可視化 204
9．2．1 UI布局 204
9．2．2 服務器 209
9．2．3 可視化評估示例 212
9．3 小結 215
第 10章 像哲學家一樣思考——因果推斷 216
10．1 機器學習之殤 216
鸚鵡學舌vs．烏鴉喝水 216
10．2 辛普森悖論 218
10．3 伯克森悖論 223
10．4 智能之梯 224
10．4．1 因果推斷的起源 224
10．4．2 智能之梯 225
10．5 因果推斷的方法 228
10．5．1 雙重差分模型 228
10．5．2 工具變量 229
10．5．3 中介模型 231
10．6 小結 232
第 11章 基礎評估方法——假設檢驗 234
11．1 卡方檢驗 234
11．2 T檢驗 236
11．3 Z檢驗和F檢驗 238
11．4 小結 241
參考文獻 242
展開全部
機器學習算法評估實戰 作者簡介
宋亞統，美團點評配送事業部高級算法工程師，2017年獲得中國科學院大學碩士學位。他目前主要負責基于位置的服務（Location-Based Service，LBS）算法研發工作。他熱愛人工智能并擅長寫作，在職期間獲得8項算法發明專利，對機器學習算法有著深入的研究和豐富的實踐經驗。
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
姑媽的寶刀
- >
苦雨齋序跋文-周作人自編集
- >
我與地壇
- >
二體千字文
- >
煙與鏡
- >
史學評論
本類暢銷
