python大规模机器学 编程语言 作者
python大规模机器学实用技术、方法及实践指南，快速构建强大的机器学模型并部署大规模预测应用程序
￥ 54.25 6.1折 ￥ 89 全新
库存2件
作者作者
出版社机械工业出版社
ISBN9787111623144
出版时间2019-05
版次1
装帧平装
开本16
页数299页
定价89元
货号xhwx_1201874512
上书时间2024-12-12
- 在售商品 暂无
- 平均发货时间 26小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
目录：
译者序
前言
作者简介
审校者简介
章迈向可扩展的步1
1.1详细解释可扩展1
1.1.1大规模实例3
1.1.2介绍python4
1.1.3使用python进行向上扩展4
1.1.4使用python进行向外扩展5
1.2python用于大规模机器学6
1.2.1选择python 2还是python 36
1.2.2安装python7
1.2.3逐步安装7
1.2.4安装软件包8
1.2.5软件包升级9
1.2.6科学计算发行版10
1.2.7jupyter/ipython介绍11
1.3python包13
1.3.1numpy14
1.3.2scipy14
1.3.3pandas14
1.3.4scikit.learn15
1.3.5小结21
第2章scikit.learn中的可扩展学22
2.1非核心学22
2.1.1选择子采样23
2.1.2一次优化一个实例24
2.1.3构建非核心学系统25
2.2流化源数据25
2.2.1处理真实数据集26
2.2.2个示例——流化共享单车数据集28
2.2.3使用pandas i/o工具30
2.2.4使用数据库31
2.2.5关注实例排序35
2.3学37
2.3.1批处理梯度下降37
2.3.2梯度下降40
2.3.3scikit.learn的sgd实现40
2.3.4定义sgd学参数42
2.4数据流的特征管理43
2.4.1描述目标46
2.4.2哈希49
2.4.3其他基本变换51
2.4.4流测试和验证52
2.4.5使用sgd52
2.5小结56
第3章实现快速svm57
3.1测试数据集58
3.1.1共享单车数据集58
3.1.2森林覆盖类型数据集58
3.2支持向量机59
3.2.1hinge loss及其变形64
3.2.2scikit.learn的svm实现65
3.2.3探究通过子采样改善非线svm68
3.2.4使用sgd实现大规模svm70
3.3正则化特征选择77
3.4sgd中的非线78
3.5超参数调整82
3.6小结96
第4章神经网络与深度学97
4.1神经网络架构98
4.1.1神经网络如何学106
4.1.2选择正确的架构110
4.1.3使用神经网络111
4.1.4sknn并行化111
4.2神经网络和正则化113
4.3神经网络和超参数优化115
4.4神经网络和决策边界117
4.5用h2o进行规模化深度学120
4.5.1用h2o进行大规模深度学121
4.5.2h2o上的网格搜索124
4.6深度学和无监督预训练126
4.7使用theas进行深度学126
4.8自动和无监督学128
4.9小结131
第5章用tensorflow进行深度学132
5.1tensorflow安4
5.2在tensorflow上使用skflow进行机器学140
5.3安装keras和tensorflow148
5.4在tensorflow中通过keras实现卷积神经网络152
5.4.1卷积层153
5.4.2池化层153
5.4.3全连接层154
5.5增量n方法156
5.6gpu计算156
5.7小结159
第6章大规模分类和回归树160
6.1bootstrap聚合162
6.2森林和森林163
6.3搜索实现快速参数优化167
6.4cart和boosting172
6.5xgboost179
6.5.1xgboost回归181
6.5.2xgboost流化大型数据集184
6.5.3xgboost模型存储185
6.6用h2o实现非核心cart185
6.6.1h2o上的森林和网格搜索186
6.6.2h2o上的梯度增强和网格搜索188
6.7小结191
第7章大规模无监督学192
7.1无监督方法192
7.2特征分解：pca193
7.2.1化pca199
7.2.2增量pca200
7.2.3稀疏pca201
7.3使用h2o的pca202
7.4k-均值聚类算法203
7.4.1初始化方法206
7.4.2k-均值设206
7.4.3选择佳k209
7.4.4扩展k-均值算法：小批量212
7.5用h2o实现k-均值216
7.6lda218
7.7小结226
第8章分布式环境——hadoop和spark227
8.1从单机到集群227
8.2设置vm230
8.2.1virtualbox230
8.2.2vagrant232
8.2.3使用vm232
8.3hadoop生态系统234
8.3.1架构234
8.3.2hdfs235
8.3.3mapreduce242
8.3.4yarn250
8.4spark250
8.5小结260
第9章spark机器学实践261
9.1为本章设置虚拟机261
9.2跨集群节点共享变量262
9.2.1广播只读变量262
9.2.2累加器只写变量264
9.2.3广播和累加器的示例265
9.3spark的数据预处理267
9.3.1json文件和spark dataframe268
9.3.2处理缺失数据270
9.3.3在内存中分组和创建表271
9.3.4将预处理的dataframe或rdd写入磁盘273
9.3.5使用spark dataframe274
9.4spark机器学276
9.4.1spark处理kdd99数据集277
9.4.2读取数据集277
9.4.3特征工程280
9.4.4训练学器284
9.4.5评估学器的表现286
9.4.6机器学管道的威力286
9.4.7手动优化288
9.4.8交验证291
9.5小结293
附录介绍gpu和theano294
内容简介：
本书不仅介绍大规模机器学的基本概念，还包含丰富的案例研究。书中所选皆为实用的技术和工具，而对理论细节不进行深入讨论，旨在提供大规模机器学方法（甚至非常规方法）。不管是初学者、普通用户还是专家级用户，通过本书都能理解并掌握利用python进行大规模机器学。为让读者快速掌握核心技术，本书由浅入深讲解大量实例，图文并茂呈现每一步的作结果，帮助读者更好地掌握大规模机器学python工具。例如：基于cikitlearn可扩展学、 liblinear和vowpal wabbit快速支持向量机、基于theano与h2o的大规模深度学方法、tenorflow深度学技术与在线神经网络方法、大规模分类和回归树的可扩展解决方案、大规模无监督学（pca，聚类分析和主题建模等）扩展方法、hadoop和park分布式环境、park机器学实践以及theano和gpu计算的基础知识。
— 没有更多了 —
以下为对购买帮助不大的评价