实用机器学习

图书标准信息

• 作者 苏尼拉·格拉普蒂（Sunila Gollapudi） 著；张世武 译
• 出版社 机械工业出版社
• 出版时间 2018-06
• 版次 1
• ISBN 9787111598886
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 267页
• 丛书 数据科学与工程技术丛书

【内容简介】

本书探索了一系列广泛应用的机器学习技术，用实际例子揭示了常见数据中隐藏的处理技巧和窍门。本书还探讨了机器学习的前沿进展，提供了一些关于深度学习和强化学习的范例和指导原则，完美演绎了实操过程及算法原理。本书的目标读者为那些想了解机器学习实践通过机器学习技术解决现实应用的数据科学家。

【作者简介】

关 于 作 者Sunila Gollapudi 担任Broadridge金融解决方案（印度）有限公司的技术副总裁。该公司是美国Broadridge金融解决方案公司的全资子公司（BR）。她在IT服务领域拥有14年的丰富实践经验。她目前负责印度卓越架构中心，是大数据和数据科学计划的领军人物。

 

 

    加入Broadridge之前，她在全球性领先机构担任重要职位，专门从事Java、分布式架构、大数据技术、高级分析、机器学习、语义技术和数据集成工具等领域的研发工作。Sunila是Broadridge在全球技术领导和创新论坛的理事，近在IEEE的工作是研究语义技术及其在业务数据湖中的作用。全球科技领域瞬息万变，新的技术层出不穷，Sunila的个人优势在于其密切关注并持续跟进全球科技，统上领下，串联前后，实现业务交付的具体架构方案。她从计算机科学专业研究生毕业后的一本出版著作是关于大数据数据仓库解决方案Greenplum的，书名为《Getting Started with Greenplum for Big Data Analytics》（Packt出版社）。她有自己的孩子和家庭，此外她是一名享誉国内外的印度古典舞蹈家，还是一位画家。

 

 

    致谢首先，我要向Broadridge金融解决方案（印度）有限公司致以诚挚的谢意，感谢他们为我提供了一个追求技术的平台。

 

 

    衷心感谢我的导师和公司董事总经理Laxmikanth V对我一如继往的支持，并撰写了推荐序。感谢国际工程学院（INSOFE）总裁Dakshinamurthy Kolluru博士发现了我对机器学习的热情。此外，还要感谢我的企业架构导师、Canopus咨询公司创始人兼首席架构师Nagaraju Pappu先生。

 

 

    在此要特别感谢Packt出版社给我这个著书立作的机会，以及在本书的出版发行中提供的全程支持。这是我们合作出版的第二本书，能与极富专业精神的出版界人士和评审专家合作让我倍感荣幸。

 

 

    感谢我的丈夫、家人和朋友一如既往的支持。我愧对的是可爱懂事的女儿Sai Nikita，在本书的编写过程中她和我一样心怀喜悦，但愿每天能有超过24小时陪她一起度过！

 

 

    后，拙作献给技术领域所有不安分守己的大脑，是他们不懈追求，创新进取，才让人们的生活更加美好，更加精彩纷呈。

 

【目录】

目录

 

 

推荐序

 

 

推荐序二

 

 

译者序

 

 

前言

 

 

关于作者

 

 

关于审校者

 

 

第1章机器学习简介

 

 

1.1机器学习

 

 

1.1.1定义

 

 

1.1.2核心概念与术语

 

 

1.1.3什么是学习

 

 

1.1.4机器学习中的数据不一致性

 

 

1.1.5机器学习实践范例

 

 

1.1.6机器学习问题类型

 

 

1.2性能度量

 

 

1.3机器学习的相关领域

 

 

1.3.1数据挖掘

 

 

1.3.2人工智能

 

 

1.3.3统计学习

 

 

1.3.4数据科学

 

 

1.4机器学习处理流程及解决方案架构

 

 

1.5机器学习算法

 

 

1.5.1基于决策树的算法

 

 

1.5.2基于贝叶斯的算法

 

 

1.5.3基于核方法的算法

 

 

1.5.4聚类算法

 

 

1.5.5人工神经网络

 

 

1.5.6降维方法

 

 

1.5.7集成方法

 

 

1.5.8基于实例的算法

 

 

1.5.9基于回归分析的算法

 

 

1.5.10基于关联规则的算法

 

 

1.6机器学习工具与框架

 

 

1.7小结

 

 

第2章机器学习和大规模数据集

 

 

2.1大数据和大规模机器学习

 

 

2.1.1功能与架构：方法论的失配

 

 

2.1.2机器学习的可扩展性和性能

 

 

2.1.3模型选择过程

 

 

2.1.4大规模机器学习的潜在问题

 

 

2.2算法和并发

 

 

2.3垂直扩展的机器学习技术方案

 

 

2.3.1MapReduce编程架构

 

 

2.3.2利用消息传递接口进行高性能计算

 

 

2.3.3LINQ框架

 

 

2.3.4使用LINQ操作数据集

 

 

2.3.5GPU

 

 

2.3.6FPGA

 

 

2.3.7多核或多处理器系统

 

 

2.4小结

 

 

第3章Hadoop架构和生态系统简介

 

 

3.1Apache Hadoop简介

 

 

3.1.1Hadoop的演化

 

 

3.1.2Hadoop及其核心要素

 

 

3.2基于Hadoop的大数据机器学习解决方案架构

 

 

3.2.1数据源层

 

 

3.2.2数据摄入层

 

 

3.2.3Hadoop数据存储层

 

 

3.2.4Hadoop基础设施层

 

 

3.2.5Hadoop平台/处理层

 

 

3.2.6分析层

 

 

3.2.7数据消费层

 

 

3.2.8MapReduce

 

 

3.3Hadoop 2.x

 

 

3.3.1Hadoop生态系统组件

 

 

3.3.2Hadoop安装和配置

 

 

3.3.3Hadoop发行版和供应商

 

 

3.4小结

 

 

第4章机器学习工具、库及框架

 

 

4.1机器学习工具概览

 

 

4.2Apache Mahout

 

 

4.2.1Mahout如何工作

 

 

4.2.2安装和设置Apache Mahout

 

 

4.2.3Mahout软件包详解

 

 

4.2.4Mahout中的vector实现

 

 

4.3R

 

 

4.3.1安装和设置R

 

 

4.3.2R与Apache Hadoop集成

 

 

4.4Julia

 

 

4.4.1安装和设置Julia

 

 

4.4.2在命令行中执行Julia程序

 

 

4.4.3例解Julia

 

 

4.4.4变量与赋值

 

 

4.4.5使用Julia的好处

 

 

4.4.6Julia与Hadoop集成

 

 

4.5Python

 

 

4.5.1Python中工具包的选择

 

 

4.5.2例解Python

 

 

4.6Apache Spark

 

 

4.6.1Scala

 

 

4.6.2RDD编程

 

 

4.7Spring XD

 

 

4.8小结

 

 

第5章基于决策树的学习

 

 

5.1决策树

 

 

5.1.1术语

 

 

5.1.2目标与用途

 

 

5.1.3构造决策树

 

 

5.1.4特殊的决策树

 

 

5.2实现决策树

 

 

5.3小结

 

 

第6章基于实例和核方法的学习

 

 

6.1基于实例的学习

 

 

6.1.1最近邻

 

 

6.1.2实现kNN

 

 

6.2基于核方法的学习

 

 

6.2.1核函数

 

 

6.2.2支持向量机

 

 

6.2.3实现SVM

 

 

6.3小结

 

 

第7章关联规则学习

 

 

7.1关联规则学习

 

 

7.1.1关联规则的定义

 

 

7.1.2Apriori算法

 

 

7.1.3FPgrowth算法

 

 

7.1.4Apriori与FPgrowth

 

 

7.2实现Apriori及FPgrowth算法

 

 

7.3小结

 

 

第8章聚类学习

 

 

8.1聚类学习

 

 

8.2聚类的类型

 

 

8.2.1层次聚类

 

 

8.2.2划分式聚类

 

 

8.3kmeans聚类算法

 

 

8.3.1kmeans算法的收敛性

 

 

8.3.2kmeans算法的优点

 

 

8.3.3kmeans算法的缺点

 

 

8.3.4距离度量

 

 

8.3.5复杂度度量

 

 

8.4实现kmeans聚类

 

 

8.5小结

 

 

第9章贝叶斯学习

 

 

9.1贝叶斯学习

 

 

9.1.1统计学家的视角

 

 

9.1.2贝叶斯定理

 

 

9.1.3朴素贝叶斯分类器

 

 

9.2实现朴素贝叶斯算法

 

 

9.3小结

 

 

第10章基于回归的学习

 

 

10.1回归分析

 

 

10.1.1重温统计学

 

 

10.1.2混杂

 

 

10.1.3效应修饰

 

 

10.2回归方法

 

 

10.2.1简单线性回归

 

 

10.2.2多元线性回归

 

 

10.2.3多项式回归

 

 

10.2.4广义线性模型

 

 

10.2.5逻辑回归（logit连接)

 

 

10.2.6泊松回归

 

 

10.3实现线性回归和逻辑回归

 

 

10.4小结

 

 

第11章深度学习

 

 

11.1背景知识

 

 

11.1.1人类大脑结构

 

 

11.1.2神经网络

 

 

11.1.3反向传播算法

 

 

11.1.4Softmax回归算法

 

 

11.2深度学习类型

 

 

11.2.1卷积神经网络

 

 

11.2.2循环神经网络

 

 

11.2.3受限玻尔兹曼机

 

 

11.2.4深度玻尔兹曼机

 

 

11.2.5自动编码器

 

 

11.3实现ANN和深度学习方法

 

 

11.4小结

 

 

第12章强化学习

 

 

12.1强化学习

 

 

12.1.1强化学习的背景知识

 

 

12.1.2强化学习的主要特点

 

 

12.2强化学习算法

 

 

12.2.1动态规划

 

 

12.2.2蒙特卡罗方法

 

 

12.2.3时序差分学习

 

 

12.2.4Qlearning（异策略TD）

 

 

12.2.5actorcritic方法(同策略)

 

 

12.2.6Rlearning（异策略）

 

 

12.3实现强化学习方法

 

 

12.4小结

 

 

第13章集成学习

 

 

13.1集成学习方法

 

 

13.1.1群体智慧

 

 

13.1.2经典应用

 

 

13.1.3集成方法

 

 

13.2实现集成学习方法

 

 

13.3小结

 

 

第14章下一代机器学习数据架构

 

 

14.1数据架构的演进

 

 

14.2机器学习的现代数据架构

 

 

14.2.1语义数据架构

 

 

14.2.2多模型数据库架构/混合持久化

 

 

14.2.3Lambda架构

 

 

14.3小结