• 实用机器学习
图书条目标准图
21年品牌 40万+商家 超1.5亿件商品

实用机器学习

13.33 1.9折 69 九品

仅1件

北京昌平
认证卖家担保交易快速发货售后保障

作者程继洪 译;Henrik、Brink、Joseph、W.、Richards 著

出版社机械工业出版社

出版时间2017-06

版次1

装帧平装

货号A8

上书时间2024-12-09

旧书香书城

十年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:九品
图书标准信息
  • 作者 程继洪 译;Henrik、Brink、Joseph、W.、Richards 著
  • 出版社 机械工业出版社
  • 出版时间 2017-06
  • 版次 1
  • ISBN 9787111569220
  • 定价 69.00元
  • 装帧 平装
  • 开本 16开
  • 纸张 胶版纸
  • 页数 207页
  • 字数 339千字
  • 正文语种 简体中文
  • 丛书 计算机科学先进技术译丛
【内容简介】

   本书介绍了实用机器学习的工作流程,主要从实用角度进行了描述,没有数学公式和推导。本书涵盖了数据收集与处理、模型构建、评价和优化、特征的识别、提取和选择技术、高级特征工程、数据可视化技术以及模型的部署和安装,结合3个真实案例全面、详细地介绍了整个机器学习流程。后,还介绍了机器学习流程的扩展和大数据应用。

 

   本书可以作为程序员、数据分析师、统计学家、数据科学家解决实际问题的参考书,也可以作为机器学习爱好者学习和应用的参考书,还可以作为非专业学生的机器学习入门参考书,以及专业学生的实践参考书。

 


【作者简介】

  HenrikBrink(亨里克·布林克)是一名数据科学家,对应用机器学习进行工业和学术应用开发有着丰富的经验。

 

  JosephRichards(约瑟夫W理查兹)也是一位数据科学家,具有应用统计和预测分析方面的专业知识。Henrik和Joseph是Wise.io的联合创立者,Wise.io是一家提供工业机器学习解决方案的开发商。

 

  MarkFetherolf(马克·弗特罗夫)是数据管理和预测分析公司NuminaryDataScience的创始人和总裁。他曾在社会科学研究、化学工程、信息系统性能、容量规划、有线电视和在线广告应用等方面担任统计师和分析数据库开发人员。

 


【目录】

推荐序

 

作者序

 

致谢

 

译者序

 

关于本书

 

作者简介

 

关于封面插图

 

第1部分机器学习工作流程

 

第1章什么是机器学习

 

1.1理解机器学习

 

1.2使用数据进行决策

 

1.2.1传统方法

 

1.2.2机器学习方法

 

1.2.3机器学习的五大优势

 

1.2.4面临的挑战

 

1.3跟踪机器学习流程:从数据到部署

 

1.3.1数据集合和预处理

 

1.3.2数据构建模型

 

1.3.3模型性能评估

 

1.3.4模型性能优化

 

1.4提高模型性能的高级技巧

 

1.4.1数据预处理和特征工程

 

1.4.2用在线算法持续改进模型

 

1.4.3具有数据量和速度的规模化模型

 

1.5总结

 

1.6本章术语

 

第2章实用数据处理

 

2.1起步:数据收集

 

2.1.1应包含哪些特征

 

2.1.2如何获得目标变量的真实值

 

2.1.3需要多少训练数据

 

2.1.4训练集是否有足够的代表性

 

2.2数据预处理

 

2.2.1分类特征

 

2.2.2缺失数据处理

 

2.2.3简单特征工程

 

2.2.4数据规范化

 

2.3数据可视化

 

2.3.1马赛克图

 

2.3.2盒图

 

2.3.3密度图

 

2.3.4散点图

 

2.4总结

 

2.5本章术语

 

第3章建模和预测

 

3.1基础机器学习建模

 

3.1.1寻找输入和目标间的关系

 

3.1.2寻求好模型的目的

 

3.1.3建模方法类型

 

3.1.4有监督和无监督学习

 

3.2分类:把数据预测到桶中

 

3.2.1构建分类器并预测

 

3.2.2非线性数据与复杂分类

 

3.2.3多类别分类

 

3.3回归:预测数值型数据

 

3.3.1构建回归器并预测

 

3.3.2对复杂的非线性数据进行回归

 

3.4总结

 

3.5本章术语

 

第4章模型评估与优化

 

4.1模型泛化:评估新数据的预测准确性

 

4.1.1问题:过度拟合与乐观模型

 

4.1.2解决方案:交叉验证

 

4.1.3交叉验证的注意事项

 

4.2分类模型评估

 

4.2.1分类精度和混淆矩阵

 

4.2.2准确度权衡与ROC曲线

 

4.2.3多类别分类

 

4.3回归模型评估

 

4.3.1使用简单回归性能指标

 

4.3.2检验残差

 

4.4参数调整优化模型

 

4.4.1机器学习算法和它们的调整参数

 

4.4.2网格搜索

 

4.5总结

 

4.6本章术语

 

第5章基础特征工程

 

5.1动机:为什么特征工程很有用

 

5.1.1什么是特征工程

 

5.1.2使用特征工程的5个原因

 

5.1.3特征工程与领域专业知识

 

5.2基本特征工程过程

 

5.2.1实例:事件推荐

 

5.2.2处理日期和时间特征

 

5.2.3处理简单文本特征

 

5.3特征选择

 

5.3.1前向选择和反向消除

 

5.3.2数据探索的特征选择

 

5.3.3实用特征选择实例

 

5.4总结

 

5.5本章术语

 

第2部分实 际 应 用

 

第6章案例:NYC出租车数据

 

6.1数据:NYC出租车旅程和收费信息

 

6.1.1数据可视化

 

6.1.2定义问题并准备数据

 

6.2建模

 

6.2.1基本线性模型

 

6.2.2非线性分类器

 

6.2.3包含分类特征

 

6.2.4包含日期-时间特征

 

6.2.5模型的启示

 

6.3总结

 

6.4本章术语

 

第7章高级特征工程

 

7.1高级文本特征

 

7.1.1词袋模型

 

7.1.2主题建模

 

7.1.3内容拓展

 

7.2图像特征

 

7.2.1简单图像特征

 

7.2.2提取物体和形状

 

7.3时间序列特征

 

7.3.1时间序列数据的类型

 

7.3.2时间序列数据的预测

 

7.3.3经典时间序列特征

 

7.3.4事件流的特征工程

 

7.4总结

 

7.5本章术语

 

第8章NLP高级案例:电影评论情感预测

 

8.1研究数据和应用场景

 

8.1.1数据集初探

 

8.1.2检查数据

 

8.1.3应用场景有哪些

 

8.2提取基本NLP特征并构建初始模型

 

8.2.1词袋特征

 

8.2.2用朴素贝叶斯算法构建模型

 

8.2.3tf-idf算法规范词袋特征

 

8.2.4优化模型参数

 

8.3高级算法和模型部署的考虑

 

8.3.1word2vec特征

 

8.3.2随机森林模型

 

8.4总结

 

8.5本章术语

 

第9章扩展机器学习流程

 

9.1扩展前需考虑的问题

 

9.1.1识别关键点

 

9.1.2选取训练数据子样本代替扩展性

 

9.1.3可扩展的数据管理系统

 

9.2机器学习建模流程扩展

 

9.3预测扩展

 

9.3.1预测容量扩展

 

9.3.2预测速度扩展

 

9.4总结

 

9.5本章术语

 

第10章案例:数字显示广告

 

10.1显示广告

 

10.2数字广告数据

 

10.3特征工程和建模策略

 

10.4数据大小和形状

 

10.5奇异值分解

 

10.6资源估计和优化

 

10.7建模

 

10.8K近邻算法

 

10.9随机森林算法

 

10.10其他实用考虑

 

10.11总结

 

10.12本章术语

 

10.13摘要和结论

 

附录常用机器学习算法

 

名词术语中英文对照

 


点击展开 点击收起

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP