消息 首页 搜索 举报
  • PySpark机器学习自然语言处理与系统
21年品牌 40万+商家 超1.5亿件商品

PySpark机器学习自然语言处理与系统

正版现货 可开具图书发票 下单后当天即可发货

￥ 49.24 8.3折 ￥ 59 全新

库存2件

山西太原
认证卖家担保交易快速发货售后保障

作者(印)普拉莫德·辛格|责编:王军|译者:蒲成

出版社清华大学

ISBN9787302540908

出版时间2020-01

装帧其他

开本其他

定价59元

货号30800807

上书时间2024-10-27

A365书库

七年老店
已实名 已认证 进店 收藏店铺
  • 店主推荐
  • 最新上架

   商品详情   

品相描述：全新
商品描述
目录
第1章  数据革命
  1.1  数据生成
  1.2  Spark
    1.2.1  Spark Core
    1.2.2  Spark组件
  1.3  设置环境
    1.3.1  Windows
    1.3.2  iOS
  1.4  小结
第2章  机器学习简介
  2.1  有监督机器学习
  2.2  无监督机器学习
  2.3  半监督机器学习
  2.4  强化学习
  2.5  小结
第3章  数据处理
  3.1  加载和读取数据
  3.2  添加一个新列
  3.3  筛选数据
    3.3.1  条件
    3.3.2  条件
  3.4  列中的非重复值
  3.5  数据分组
  3.6  聚合
  3.7  用户自定义函数(UDF)
    3.7.1  传统的Python函数
    3.7.2  使用lambda函数
    3.7.3  Pandas UDF(向量化的UDF)
    3.7.4  Pandas UDF(多列)
  3.8  去掉重复值
  3.9  删除列
  3.10  写入数据
    3.10.1  csv
    3.10.2  嵌套结构
  3.11  小结
第4章  线性回归
  4.1  变量
  4.2  理论
  4.3  说明
  4.4  评估
  4.5  代码
    4.5.1  数据信息
    4.5.2  步骤1：创建SparkSession对象
    4.5.3  步骤2：读取数据集
    4.5.4  步骤3：探究式数据分析
    4.5.5  步骤4：特征工程化
    4.5.6  步骤5：划分数据集
    4.5.7  步骤6：构建和训练线性回归模型
    4.5.8  步骤7：在测试数据上评估线性回归模型
  4.6  小结
第5章  逻辑回归
  5.1  概率
    5.1.1  使用线性回归
    5.1.2  使用Logit
  5.2  截距(回归系数)
  5.3  虚变量
  5.4  模型评估
    5.4.1  正确的正面预测
    5.4.2  正确的负面预测
    5.4.3  错误的正面预测
    5.4.4  错误的负面预测
    5.4.5  准确率
    5.4.6  召回率
    5.4.7  精度
    5.4.8  F1分数
    5.4.9  截断/阈值概率
    5.4.10  ROC曲线
  5.5  逻辑回归代码
    5.5.1  数据信息
    5.5.2  步骤1：创建Spark会话对象
    5.5.3  步骤2：读取数据集
    5.5.4  步骤3：探究式数据分析
    5.5.5  步骤4：特征工程
    5.5.6  步骤5：划分数据集
    5.5.7  步骤6：构建和训练逻辑回归模型
    5.5.8  训练结果
    5.5.9  步骤7：在测试数据上评估线性回归模型
    5.5.10  混淆矩阵
  5.6  小结
第6章  随机森林
  6.1  决策树
    6.1.1  熵
    6.1.2  信息增益
  6.2  随机森林
  6.3  代码
    6.3.1  数据信息
    6.3.2  步骤1：创建SparkSession对象
    6.3.3  步骤2：读取数据集
    6.3.4  步骤3：探究式数据分析
    6.3.5  步骤4：特征工程
    6.3.6  步骤5：划分数据集
    6.3.7  步骤6：构建和训练随机森林模型
    6.3.8  步骤7：基于测试数据进行评估
    6.3.9  准确率
    6.3.10  精度
    6.3.11  AUC曲线下的面积
    6.3.12  步骤8：保存模型
  6.4  小结
第7章  推荐系统
  7.1  推荐
    7.1.1  基于流行度的RS
    7.1.2  基于内容的RS
    7.1.3  基于协同过滤的RS
    7.1.4  混合推荐系统
  7.2  代码
    7.2.1  数据信息
    7.2.2  步骤1：创建SparkSession对象
    7.2.3  步骤2：读取数据集
    7.2.4  步骤3：探究式数据分析
    7.2.5  步骤4：特征工程
    7.2.6  步骤5：划分数据集
    7.2.7  步骤6：构建和训练推荐系统模型
    7.2.8  步骤7：基于测试数据进行预测和评估
    7.2.9  步骤8：推荐活动用户可能会喜欢的排名靠前的电影
  7.3  小结
第8章  聚类
  8.1  初识聚类
  8.2  用途
    8.2.1  K-均值
    8.2.2  层次聚类
  8.3  代码
    8.3.1  数据信息
    8.3.2  步骤1：创建SparkSession对象
    8.3.3  步骤2：读取数据集
    8.3.4  步骤3：探究式数据分析
    8.3.5  步骤4：特征工程
    8.3.6  步骤5：构建K均值聚类模型
    8.3.7  步骤6：聚类的可视化
  8.4  小结
第9章  自然语言处理
  9.1  引言
  9.2  NLP涉及的处理步骤
  9.3  语料
  9.4  标记化
  9.5  移除停用词
  9.6  词袋
  9.7  计数向量器
  9.8  TF-IDF
  9.9  使用机器学习进行文本分类
  9.10  序列嵌入
  9.11  嵌入
  9.12  小结

内容摘要
 使用PySpark构建机器学习模型、自然语言处理应用程序以及推荐系统，从而应对各种业务挑战。本书首先介绍Spark的基础知识及其演进，然后讲解使用PySpark构建传统机器学习算法以及自然语言处理和推荐系统的全部知识点。
《PySpark机器学习、自然语言处理与推荐系统》阐释如何构建有监督机器学习模型，比如线性回归、
逻辑回归、决策树和随机森林，还介绍了无监督机器学习模型，比如K均值和层次聚类。本书重点介绍特征
工程，以便使用PySpark创建有用的特征，从而训练机器学习模型。自然语言处理的相关章节将介绍文本处理、文本挖掘以及用于分类的嵌入。
在阅读完本书后，读者将了解如何使用PySpark的机器学习库构建和训练各种机器学习模型。此外，还将熟练掌握相关的PySpark组件，比如数据获取、数据处理和数据分析，通过使用它们开发数据驱动的智能应用。
主要特色构建一系列有监督和无监督机器学习算法使用SparkMLlib库实现机器学习算法使用SparkMLlib库开发推荐系统
处理与特征工程、分类平衡、偏差和方差以及交叉验证有关的问题，以便构建最优的拟合模型读者对象数据科学家、机器学习工程师。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

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