机器学习入门与实战（微课版）

图书标准信息

• 作者 王志
• 出版社 电子工业出版社
• 出版时间 2023-02
• 版次 1
• ISBN 9787121448607
• 定价 38.00元
• 装帧 其他
• 开本 16开
• 页数 184页
• 字数 309千字

【内容简介】

本书以掌握Python语言基础为前提，由浅入深、全面系统地讲解了机器学习的相关知识及技能，内容注重实用性和可操作性，在介绍机器学习理论知识的基础上，结合具体的实战实例，给出了详细的代码及实现步骤。全书共9个项目，分别介绍了数据分析基础、机器学习项目实战流程、探索性数据分析与特征工程、常见机器学习算法及框架、交叉验证与超参数调优，并结合主流机器学习技术框架Scikit-learn，展开了信用违约分类预测、社交媒体评论分类预测、共享单车用量需求回归预测、信用卡客户忠诚度回归预测的项目实战。

【作者简介】

王志（1986.8—），博士，现任浙江省金融职业学院人工智能技术服务专业负责人，专业教研室副主任，人工智能领域技术多年创业经历，具备丰富的机器学习工业实战及培训经验，曾获得银监会\"机器学习在中小银行应用”科技项目三等奖。参与编写《人工智能导论》教材，入选十三五规划教材。

【目录】

项目1  数据分析基础1

任务1  开发环境的搭建1

1.1.1  数据分析相关库1

1.1.2  Anaconda的安装和使用2

1.1.3  Jupyter Notebook的使用3

任务2  NumPy的应用4

1.2.1  数组对象的创建4

1.2.2  数组的索引和切片10

任务3  Pandas的应用14

1.3.1  Series对象的创建14

1.3.2  Series对象的索引和切片15

1.3.3  Series对象的常用属性17

任务4  数据可视化17

1.4.1  安装和导入18

1.4.2  绘图的流程18

任务5  Pandas、NumPy库的数据操作18

1.5.1  数据读入18

1.5.2  数据选择19

1.5.3  缺失值填充20

1.5.4  数据透视表绘制21

1.5.5  数据集合并21

1.5.6  独热编码23

项目2  机器学习项目实战流程25

任务1  知识准备26

2.1.1  问题定义26

2.1.2  数据准备27

2.1.3  模型训练30

2.1.4  模型评估34

2.1.5  模型部署38

2.1.6  模型监控与更新39

2.1.7  小结40

任务2  使用Scikit-learn框架完成基本的机器学习项目40

2.2.1  Estimator40

2.2.2  Metrics41

2.2.3  小结41

任务3  实战：泰坦尼克号事件生存预测42

2.3.1  问题定义42

2.3.2  数据准备42

2.3.3  模型训练45

2.3.4  模型评估46

2.3.5  小结47

项目3  探索性数据分析与特征工程48

任务1  知识准备49

3.1.1  探索性数据分析49

3.1.2  特征工程56

3.1.3  特征抽取58

3.1.4  特征转换61

3.1.5  特征选择67

3.1.6  小结67

任务2  实战：基于决策树的泰坦尼克号事件生存预测68

3.2.1  问题定义68

3.2.2  数据准备68

3.2.3  模型训练77

3.2.4  模型评估77

3.2.5  数据保存78

3.2.6  小结78

项目4  常见机器学习算法及框架79

任务1  知识准备79

4.1.1  损失函数、代价函数与目标函数79

4.1.2  逻辑回归与神经网络81

4.1.3  决策树与随机森林84

任务2  基于集成学习思想的算法85

任务3  Python环境下XGBoost的安装及使用88

任务4  Python环境下LightGBM的安装及使用89

项目5  交叉验证与超参数调优91

任务1  知识准备92

5.1.1  机器学习算法中的参数与超参数92

5.1.2  超参数调优方法92

5.1.3  GBM算法的超参数调优97

任务2  随机森林超参数调优99

5.2.1  RF框架的参数意义99

5.2.2  RF决策树的参数含义100

任务3  实战：GBM算法超参数调优101

5.3.1  问题定义101

5.3.2  数据准备101

5.3.3  小结107

项目6  信用违约分类预测109

任务1  信用违约分类建模109

6.1.1  问题定义109

6.1.2  数据准备110

6.1.3  模型训练114

6.1.4  模型评估115

6.1.5  小结116

任务2  实战：处理不平衡样本来优化模型116

6.2.1  数据准备116

6.2.2  小结119

项目7  社交媒体评论分类预测120

任务1  社交媒体评论分类建模120

7.1.1  问题定义120

7.1.2  数据准备121

7.1.3  模型训练125

7.1.4  模型评估126

7.1.5  小结126

任务2  实战：使用不同文本特征提取方法来优化模型127

7.2.1  问题定义127

7.2.2  数据准备127

7.2.3  基于TF-IDF特征的模型训练与评估130

7.2.4  TSNE、LDA降维操作及TSNE可视化131

7.2.5  基于LDA方法对TF-IDF特征降维处理后的模型训练与评估132

7.2.6  基于词向量方法的模型训练与评估133

7.2.7  小结135

项目8  共享单车用量需求回归预测136

任务1  共享单车用量需求回归建模136

8.1.1  问题定义136

8.1.2  数据准备137

8.1.3  模型训练143

8.1.4  模型评估143

8.1.5  小结144

任务2  实战：使用特征选择及离散化方法来优化模型144

8.2.1  问题定义144

8.2.2  数据准备145

8.2.3  模型训练148

8.2.4  模型评估149

8.2.5  小结149

项目9  信用卡客户忠诚度回归预测150

任务1  信用卡客户忠诚度回归建模150

9.1.1  问题定义150

9.1.2  数据准备151

9.1.3  模型训练160

9.1.4  模型评估160

9.1.5  小结162

任务2  实战：增加数据源抽取特征来优化模型162

9.2.1  问题定义162

9.2.2  数据准备162

9.2.3  模型训练167

9.2.4  模型评估167

9.2.5  小结168

附录A  课后习题及参考答案169

项目1  习题及参考答案169

项目2  习题及参考答案170

项目3  习题及参考答案171

项目4  习题及参考答案172

项目5  习题及参考答案173

项目6  习题及参考答案174

项目7  习题及参考答案174

项目8  习题及参考答案175

项目9  习题及参考答案176