掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
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(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥24.6
加入購(gòu)物車
機(jī)器學(xué)習(xí)入門與實(shí)戰(zhàn)(微課版) 版權(quán)信息
- ISBN：9787121448607
- 條形碼：9787121448607 ; 978-7-121-44860-7
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
機(jī)器學(xué)習(xí)入門與實(shí)戰(zhàn)(微課版) 本書特色
本書圍繞 發(fā)布的《高等學(xué)校人工智能創(chuàng)新行動(dòng)計(jì)劃》，深入淺出地介紹了機(jī)器學(xué)習(xí)理論知識(shí)，注重理論與實(shí)踐的結(jié)合，培養(yǎng)學(xué)生的動(dòng)手能力。本書面向高職學(xué)生，從Python機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)入手，結(jié)合了大量的機(jī)器學(xué)習(xí)項(xiàng)目，帶領(lǐng)學(xué)生快速掌握機(jī)器學(xué)習(xí)的相關(guān)知識(shí)，提高學(xué)生解決實(shí)際問(wèn)題的能力。
機(jī)器學(xué)習(xí)入門與實(shí)戰(zhàn)(微課版) 內(nèi)容簡(jiǎn)介
本書以掌握Python語(yǔ)言基礎(chǔ)為前提，由淺入深、全面系統(tǒng)地講解了機(jī)器學(xué)習(xí)的相關(guān)知識(shí)及技能，內(nèi)容注重實(shí)用性和可操作性，在介紹機(jī)器學(xué)習(xí)理論知識(shí)的基礎(chǔ)上，結(jié)合具體的實(shí)戰(zhàn)實(shí)例，給出了詳細(xì)的代碼及實(shí)現(xiàn)步驟。全書共9個(gè)項(xiàng)目，分別介紹了數(shù)據(jù)分析基礎(chǔ)、機(jī)器學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)流程、探索性數(shù)據(jù)分析與特征工程、常見機(jī)器學(xué)習(xí)算法及框架、交叉驗(yàn)證與超參數(shù)調(diào)優(yōu)，并結(jié)合主流機(jī)器學(xué)習(xí)技術(shù)框架Scikit-learn，展開了信用違約分類預(yù)測(cè)、社交媒體評(píng)論分類預(yù)測(cè)、共享單車用量需求回歸預(yù)測(cè)、信用卡客戶忠誠(chéng)度回歸預(yù)測(cè)的項(xiàng)目實(shí)戰(zhàn)。
機(jī)器學(xué)習(xí)入門與實(shí)戰(zhàn)(微課版) 目錄
項(xiàng)目1 數(shù)據(jù)分析基礎(chǔ) 1
任務(wù)1 開發(fā)環(huán)境的搭建 1
1．1．1 數(shù)據(jù)分析相關(guān)庫(kù) 1
1．1．2 Anaconda的安裝和使用 2
1．1．3 Jupyter Notebook的使用 3
任務(wù)2 NumPy的應(yīng)用 4
1．2．1 數(shù)組對(duì)象的創(chuàng)建 4
1．2．2 數(shù)組的索引和切片 10
任務(wù)3 Pandas的應(yīng)用 14
1．3．1 Series對(duì)象的創(chuàng)建 14
1．3．2 Series對(duì)象的索引和切片 15
1．3．3 Series對(duì)象的常用屬性 17
任務(wù)4 數(shù)據(jù)可視化 17
1．4．1 安裝和導(dǎo)入 18
1．4．2 繪圖的流程 18
任務(wù)5 Pandas、NumPy庫(kù)的數(shù)據(jù)操作 18
1．5．1 數(shù)據(jù)讀入 18
1．5．2 數(shù)據(jù)選擇 19
1．5．3 缺失值填充 20
1．5．4 數(shù)據(jù)透視表繪制 21
1．5．5 數(shù)據(jù)集合并 21
1．5．6 獨(dú)熱編碼 23
項(xiàng)目2 機(jī)器學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)流程 25
任務(wù)1 知識(shí)準(zhǔn)備 26
2．1．1 問(wèn)題定義 26
2．1．2 數(shù)據(jù)準(zhǔn)備 27
2．1．3 模型訓(xùn)練 30
2．1．4 模型評(píng)估 34
2．1．5 模型部署 38
2．1．6 模型監(jiān)控與更新 39
2．1．7 小結(jié) 40
任務(wù)2 使用Scikit-learn框架完成基本的機(jī)器學(xué)習(xí)項(xiàng)目 40
2．2．1 Estimator 40
2．2．2 Metrics 41
2．2．3 小結(jié) 41
任務(wù)3 實(shí)戰(zhàn)：泰坦尼克號(hào)事件生存預(yù)測(cè) 42
2．3．1 問(wèn)題定義 42
2．3．2 數(shù)據(jù)準(zhǔn)備 42
2．3．3 模型訓(xùn)練 45
2．3．4 模型評(píng)估 46
2．3．5 小結(jié) 47
項(xiàng)目3 探索性數(shù)據(jù)分析與特征工程 48
任務(wù)1 知識(shí)準(zhǔn)備 49
3．1．1 探索性數(shù)據(jù)分析 49
3．1．2 特征工程 56
3．1．3 特征抽取 58
3．1．4 特征轉(zhuǎn)換 61
3．1．5 特征選擇 67
3．1．6 小結(jié) 67
任務(wù)2 實(shí)戰(zhàn)：基于決策樹的泰坦尼克號(hào)事件生存預(yù)測(cè) 68
3．2．1 問(wèn)題定義 68
3．2．2 數(shù)據(jù)準(zhǔn)備 68
3．2．3 模型訓(xùn)練 77
3．2．4 模型評(píng)估 77
3．2．5 數(shù)據(jù)保存 78
3．2．6 小結(jié) 78
項(xiàng)目4 常見機(jī)器學(xué)習(xí)算法及框架 79
任務(wù)1 知識(shí)準(zhǔn)備 79
4．1．1 損失函數(shù)、代價(jià)函數(shù)與目標(biāo)函數(shù) 79
4．1．2 邏輯回歸與神經(jīng)網(wǎng)絡(luò) 81
4．1．3 決策樹與隨機(jī)森林 84
任務(wù)2 基于集成學(xué)習(xí)思想的算法 85
任務(wù)3 Python環(huán)境下XGBoost的安裝及使用 88
任務(wù)4 Python環(huán)境下LightGBM的安裝及使用 89
項(xiàng)目5 交叉驗(yàn)證與超參數(shù)調(diào)優(yōu) 91
任務(wù)1 知識(shí)準(zhǔn)備 92
5．1．1 機(jī)器學(xué)習(xí)算法中的參數(shù)與超參數(shù) 92
5．1．2 超參數(shù)調(diào)優(yōu)方法 92
5．1．3 GBM算法的超參數(shù)調(diào)優(yōu) 97
任務(wù)2 隨機(jī)森林超參數(shù)調(diào)優(yōu) 99
5．2．1 RF框架的參數(shù)意義 99
5．2．2 RF決策樹的參數(shù)含義 100
任務(wù)3 實(shí)戰(zhàn)：GBM算法超參數(shù)調(diào)優(yōu) 101
5．3．1 問(wèn)題定義 101
5．3．2 數(shù)據(jù)準(zhǔn)備 101
5．3．3 小結(jié) 107
項(xiàng)目6 信用違約分類預(yù)測(cè) 109
任務(wù)1 信用違約分類建模 109
6．1．1 問(wèn)題定義 109
6．1．2 數(shù)據(jù)準(zhǔn)備 110
6．1．3 模型訓(xùn)練 114
6．1．4 模型評(píng)估 115
6．1．5 小結(jié) 116
任務(wù)2 實(shí)戰(zhàn)：處理不平衡樣本來(lái)優(yōu)化模型 116
6．2．1 數(shù)據(jù)準(zhǔn)備 116
6．2．2 小結(jié) 119
項(xiàng)目7 社交媒體評(píng)論分類預(yù)測(cè) 120
任務(wù)1 社交媒體評(píng)論分類建模 120
7．1．1 問(wèn)題定義 120
7．1．2 數(shù)據(jù)準(zhǔn)備 121
7．1．3 模型訓(xùn)練 125
7．1．4 模型評(píng)估 126
7．1．5 小結(jié) 126
任務(wù)2 實(shí)戰(zhàn)：使用不同文本特征提取方法來(lái)優(yōu)化模型 127
7．2．1 問(wèn)題定義 127
7．2．2 數(shù)據(jù)準(zhǔn)備 127
7．2．3 基于TF-IDF特征的模型訓(xùn)練與評(píng)估 130
7．2．4 TSNE、LDA降維操作及TSNE可視化 131
7．2．5 基于LDA方法對(duì)TF-IDF特征降維處理后的模型訓(xùn)練與評(píng)估 132
7．2．6 基于詞向量方法的模型訓(xùn)練與評(píng)估 133
7．2．7 小結(jié) 135
項(xiàng)目8 共享單車用量需求回歸預(yù)測(cè) 136
任務(wù)1 共享單車用量需求回歸建模 136
8．1．1 問(wèn)題定義 136
8．1．2 數(shù)據(jù)準(zhǔn)備 137
8．1．3 模型訓(xùn)練 143
8．1．4 模型評(píng)估 143
8．1．5 小結(jié) 144
任務(wù)2 實(shí)戰(zhàn)：使用特征選擇及離散化方法來(lái)優(yōu)化模型 144
8．2．1 問(wèn)題定義 144
8．2．2 數(shù)據(jù)準(zhǔn)備 145
8．2．3 模型訓(xùn)練 148
8．2．4 模型評(píng)估 149
8．2．5 小結(jié) 149
項(xiàng)目9 信用卡客戶忠誠(chéng)度回歸預(yù)測(cè) 150
任務(wù)1 信用卡客戶忠誠(chéng)度回歸建模 150
9．1．1 問(wèn)題定義 150
9．1．2 數(shù)據(jù)準(zhǔn)備 151
9．1．3 模型訓(xùn)練 160
9．1．4 模型評(píng)估 160
9．1．5 小結(jié) 162
任務(wù)2 實(shí)戰(zhàn)：增加數(shù)據(jù)源抽取特征來(lái)優(yōu)化模型 162
9．2．1 問(wèn)題定義 162
9．2．2 數(shù)據(jù)準(zhǔn)備 162
9．2．3 模型訓(xùn)練 167
9．2．4 模型評(píng)估 167
9．2．5 小結(jié) 168
附錄A 課后習(xí)題及參考答案 169
項(xiàng)目1 習(xí)題及參考答案 169
項(xiàng)目2 習(xí)題及參考答案 170
項(xiàng)目3 習(xí)題及參考答案 171
項(xiàng)目4 習(xí)題及參考答案 172
項(xiàng)目5 習(xí)題及參考答案 173
項(xiàng)目6 習(xí)題及參考答案 174
項(xiàng)目7 習(xí)題及參考答案 174
項(xiàng)目8 習(xí)題及參考答案 175
項(xiàng)目9 習(xí)題及參考答案 176
任務(wù)1 開發(fā)環(huán)境的搭建 1
1．1．1 數(shù)據(jù)分析相關(guān)庫(kù) 1
1．1．2 Anaconda的安裝和使用 2
1．1．3 Jupyter Notebook的使用 3
任務(wù)2 NumPy的應(yīng)用 4
1．2．1 數(shù)組對(duì)象的創(chuàng)建 4
1．2．2 數(shù)組的索引和切片 10
任務(wù)3 Pandas的應(yīng)用 14
1．3．1 Series對(duì)象的創(chuàng)建 14
1．3．2 Series對(duì)象的索引和切片 15
1．3．3 Series對(duì)象的常用屬性 17
任務(wù)4 數(shù)據(jù)可視化 17
1．4．1 安裝和導(dǎo)入 18
1．4．2 繪圖的流程 18
任務(wù)5 Pandas、NumPy庫(kù)的數(shù)據(jù)操作 18
1．5．1 數(shù)據(jù)讀入 18
1．5．2 數(shù)據(jù)選擇 19
1．5．3 缺失值填充 20
1．5．4 數(shù)據(jù)透視表繪制 21
1．5．5 數(shù)據(jù)集合并 21
1．5．6 獨(dú)熱編碼 23
項(xiàng)目2 機(jī)器學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)流程 25
任務(wù)1 知識(shí)準(zhǔn)備 26
2．1．1 問(wèn)題定義 26
2．1．2 數(shù)據(jù)準(zhǔn)備 27
2．1．3 模型訓(xùn)練 30
2．1．4 模型評(píng)估 34
2．1．5 模型部署 38
2．1．6 模型監(jiān)控與更新 39
2．1．7 小結(jié) 40
任務(wù)2 使用Scikit-learn框架完成基本的機(jī)器學(xué)習(xí)項(xiàng)目 40
2．2．1 Estimator 40
2．2．2 Metrics 41
2．2．3 小結(jié) 41
任務(wù)3 實(shí)戰(zhàn)：泰坦尼克號(hào)事件生存預(yù)測(cè) 42
2．3．1 問(wèn)題定義 42
2．3．2 數(shù)據(jù)準(zhǔn)備 42
2．3．3 模型訓(xùn)練 45
2．3．4 模型評(píng)估 46
2．3．5 小結(jié) 47
項(xiàng)目3 探索性數(shù)據(jù)分析與特征工程 48
任務(wù)1 知識(shí)準(zhǔn)備 49
3．1．1 探索性數(shù)據(jù)分析 49
3．1．2 特征工程 56
3．1．3 特征抽取 58
3．1．4 特征轉(zhuǎn)換 61
3．1．5 特征選擇 67
3．1．6 小結(jié) 67
任務(wù)2 實(shí)戰(zhàn)：基于決策樹的泰坦尼克號(hào)事件生存預(yù)測(cè) 68
3．2．1 問(wèn)題定義 68
3．2．2 數(shù)據(jù)準(zhǔn)備 68
3．2．3 模型訓(xùn)練 77
3．2．4 模型評(píng)估 77
3．2．5 數(shù)據(jù)保存 78
3．2．6 小結(jié) 78
項(xiàng)目4 常見機(jī)器學(xué)習(xí)算法及框架 79
任務(wù)1 知識(shí)準(zhǔn)備 79
4．1．1 損失函數(shù)、代價(jià)函數(shù)與目標(biāo)函數(shù) 79
4．1．2 邏輯回歸與神經(jīng)網(wǎng)絡(luò) 81
4．1．3 決策樹與隨機(jī)森林 84
任務(wù)2 基于集成學(xué)習(xí)思想的算法 85
任務(wù)3 Python環(huán)境下XGBoost的安裝及使用 88
任務(wù)4 Python環(huán)境下LightGBM的安裝及使用 89
項(xiàng)目5 交叉驗(yàn)證與超參數(shù)調(diào)優(yōu) 91
任務(wù)1 知識(shí)準(zhǔn)備 92
5．1．1 機(jī)器學(xué)習(xí)算法中的參數(shù)與超參數(shù) 92
5．1．2 超參數(shù)調(diào)優(yōu)方法 92
5．1．3 GBM算法的超參數(shù)調(diào)優(yōu) 97
任務(wù)2 隨機(jī)森林超參數(shù)調(diào)優(yōu) 99
5．2．1 RF框架的參數(shù)意義 99
5．2．2 RF決策樹的參數(shù)含義 100
任務(wù)3 實(shí)戰(zhàn)：GBM算法超參數(shù)調(diào)優(yōu) 101
5．3．1 問(wèn)題定義 101
5．3．2 數(shù)據(jù)準(zhǔn)備 101
5．3．3 小結(jié) 107
項(xiàng)目6 信用違約分類預(yù)測(cè) 109
任務(wù)1 信用違約分類建模 109
6．1．1 問(wèn)題定義 109
6．1．2 數(shù)據(jù)準(zhǔn)備 110
6．1．3 模型訓(xùn)練 114
6．1．4 模型評(píng)估 115
6．1．5 小結(jié) 116
任務(wù)2 實(shí)戰(zhàn)：處理不平衡樣本來(lái)優(yōu)化模型 116
6．2．1 數(shù)據(jù)準(zhǔn)備 116
6．2．2 小結(jié) 119
項(xiàng)目7 社交媒體評(píng)論分類預(yù)測(cè) 120
任務(wù)1 社交媒體評(píng)論分類建模 120
7．1．1 問(wèn)題定義 120
7．1．2 數(shù)據(jù)準(zhǔn)備 121
7．1．3 模型訓(xùn)練 125
7．1．4 模型評(píng)估 126
7．1．5 小結(jié) 126
任務(wù)2 實(shí)戰(zhàn)：使用不同文本特征提取方法來(lái)優(yōu)化模型 127
7．2．1 問(wèn)題定義 127
7．2．2 數(shù)據(jù)準(zhǔn)備 127
7．2．3 基于TF-IDF特征的模型訓(xùn)練與評(píng)估 130
7．2．4 TSNE、LDA降維操作及TSNE可視化 131
7．2．5 基于LDA方法對(duì)TF-IDF特征降維處理后的模型訓(xùn)練與評(píng)估 132
7．2．6 基于詞向量方法的模型訓(xùn)練與評(píng)估 133
7．2．7 小結(jié) 135
項(xiàng)目8 共享單車用量需求回歸預(yù)測(cè) 136
任務(wù)1 共享單車用量需求回歸建模 136
8．1．1 問(wèn)題定義 136
8．1．2 數(shù)據(jù)準(zhǔn)備 137
8．1．3 模型訓(xùn)練 143
8．1．4 模型評(píng)估 143
8．1．5 小結(jié) 144
任務(wù)2 實(shí)戰(zhàn)：使用特征選擇及離散化方法來(lái)優(yōu)化模型 144
8．2．1 問(wèn)題定義 144
8．2．2 數(shù)據(jù)準(zhǔn)備 145
8．2．3 模型訓(xùn)練 148
8．2．4 模型評(píng)估 149
8．2．5 小結(jié) 149
項(xiàng)目9 信用卡客戶忠誠(chéng)度回歸預(yù)測(cè) 150
任務(wù)1 信用卡客戶忠誠(chéng)度回歸建模 150
9．1．1 問(wèn)題定義 150
9．1．2 數(shù)據(jù)準(zhǔn)備 151
9．1．3 模型訓(xùn)練 160
9．1．4 模型評(píng)估 160
9．1．5 小結(jié) 162
任務(wù)2 實(shí)戰(zhàn)：增加數(shù)據(jù)源抽取特征來(lái)優(yōu)化模型 162
9．2．1 問(wèn)題定義 162
9．2．2 數(shù)據(jù)準(zhǔn)備 162
9．2．3 模型訓(xùn)練 167
9．2．4 模型評(píng)估 167
9．2．5 小結(jié) 168
附錄A 課后習(xí)題及參考答案 169
項(xiàng)目1 習(xí)題及參考答案 169
項(xiàng)目2 習(xí)題及參考答案 170
項(xiàng)目3 習(xí)題及參考答案 171
項(xiàng)目4 習(xí)題及參考答案 172
項(xiàng)目5 習(xí)題及參考答案 173
項(xiàng)目6 習(xí)題及參考答案 174
項(xiàng)目7 習(xí)題及參考答案 174
項(xiàng)目8 習(xí)題及參考答案 175
項(xiàng)目9 習(xí)題及參考答案 176
展開全部
機(jī)器學(xué)習(xí)入門與實(shí)戰(zhàn)(微課版) 作者簡(jiǎn)介
王志（1986.8—），博士，現(xiàn)任浙江省金融職業(yè)學(xué)院人工智能技術(shù)服務(wù)專業(yè)負(fù)責(zé)人，專業(yè)教研室副主任，人工智能領(lǐng)域技術(shù)多年創(chuàng)業(yè)經(jīng)歷，具備豐富的機(jī)器學(xué)習(xí)工業(yè)實(shí)戰(zhàn)及培訓(xùn)經(jīng)驗(yàn)，曾獲得銀監(jiān)會(huì)\"機(jī)器學(xué)習(xí)在中小銀行應(yīng)用”科技項(xiàng)目三等獎(jiǎng)。參與編寫《人工智能導(dǎo)論》教材，入選十三五規(guī)劃教材。
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語(yǔ))
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
月亮虎
- >
巴金－再思錄
- >
我與地壇
- >
推拿
- >
山海經(jīng)
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
