亚洲精品A在线观看,久久美精品无码

本書介紹了實用機器學(xué)習(xí)的工作流程，主要從實用角度進(jìn)行了描述，沒有數(shù)學(xué)公式和推導(dǎo)。本書涵蓋了數(shù)據(jù)收集與處理、模型構(gòu)建、評價和優(yōu)化、特征的識別、提取和選擇技術(shù)、高級特征工程、數(shù)據(jù)可視化技術(shù)以及模型的部署和安裝，結(jié)合3個真實案例全面、詳細(xì)地介紹了整個機器學(xué)習(xí)流程。后，還介紹了機器學(xué)習(xí)流程的擴展和大數(shù)據(jù)應(yīng)用。本書可以作為程序員、數(shù)據(jù)分析師、統(tǒng)計學(xué)家、數(shù)據(jù)科學(xué)家解決實際問題的參考書，也可以作為機器學(xué)習(xí)愛好者學(xué)習(xí)和應(yīng)用的參考書，還可以作為非專業(yè)學(xué)生的機器學(xué)習(xí)入門參考書，以及專業(yè)學(xué)生的實踐參考書。

　　《實用機器學(xué)習(xí)》的讀者對象是針對想要把機器學(xué)習(xí)應(yīng)用于實際問題的人。它詳細(xì)闡述了機器學(xué)習(xí)的主要組成部分：工作流程、算法和工具。關(guān)注點是著名算法的實際應(yīng)用，而不是創(chuàng)建一個算法。構(gòu)建和使用機器學(xué)習(xí)模型的每個步驟都有詳細(xì)描述，并有從簡單到中等復(fù)雜的實例與之對應(yīng)。

　　主要內(nèi)容

　　第1部分，“機器學(xué)習(xí)工作流程”介紹基本的機器學(xué)習(xí)工作流程，并分章節(jié)對每個步驟加以介紹。

　　第1章，“什么是機器學(xué)習(xí)”介紹機器學(xué)習(xí)的應(yīng)用領(lǐng)域和用途。

　　第2章，“實用數(shù)據(jù)處理”，詳細(xì)介紹機器學(xué)習(xí)流程中的數(shù)據(jù)處理和準(zhǔn)備工作。

　　第3章，“建模和預(yù)測”，介紹構(gòu)建簡單的機器學(xué)習(xí)模型，并利用應(yīng)用廣泛的算法和庫進(jìn)行預(yù)測。

　　第4章，“模型評估和優(yōu)化”，深入研究機器學(xué)習(xí)模型，并對其進(jìn)行評估和性能優(yōu)化。

　　第5章，“基礎(chǔ)特征工程”，介紹利用領(lǐng)域知識對原始數(shù)據(jù)進(jìn)行提高的常用方法。

　　第2部分，“實際應(yīng)用”，介紹模型規(guī)�；蛷奈谋尽D片和時間序列數(shù)據(jù)中提取特征的技術(shù)，來提高絕大多數(shù)現(xiàn)代機器學(xué)習(xí)的性能。本部分包括3個有完整實例的章節(jié)。

　　第6章，“實例：NYC出租車數(shù)據(jù)”，這是第一個完整實例章節(jié)，會預(yù)測乘客的傾向性行為。

　　第7章，“高級特征工程”，包含高級特征工程過程，介紹從自然語言的文本、圖片和時序序列數(shù)據(jù)中提取有價值的數(shù)據(jù)。

　　第8章，“NLP高級案例：電影評論情感預(yù)測”，運用高級特征工程知識預(yù)測在線電影評論的情感。

　　第9章，“擴展機器學(xué)習(xí)流程”，介紹擴大機器學(xué)習(xí)系統(tǒng)的數(shù)據(jù)規(guī)模、預(yù)測吞吐量和降低預(yù)測間隔的技術(shù)。

　　第10章，“案例：數(shù)字顯示廣告”，構(gòu)建大型數(shù)據(jù)的模型，預(yù)測數(shù)字廣告點擊行為。

　　如何使用本書

　　如果你是機器學(xué)習(xí)新手，第1~5章將引導(dǎo)你學(xué)習(xí)研究和準(zhǔn)備數(shù)據(jù)、特征工程、建模和模型評估過程。Python實例采用流行的數(shù)據(jù)處理、pandas和Scikit-Learn機器學(xué)習(xí)庫。第6~10章，包括3個實際機器學(xué)習(xí)案例、高級特征工程和優(yōu)化的話題。由于學(xué)習(xí)庫封裝了大部分的復(fù)雜性，因此代碼示例可以很容易地應(yīng)用到你自己的機器學(xué)習(xí)系統(tǒng)中。

　　目標(biāo)讀者

　　本書可以使程序員、數(shù)據(jù)分析師、統(tǒng)計學(xué)家、數(shù)據(jù)科學(xué)家和其他專業(yè)人士將機器學(xué)習(xí)應(yīng)用于實際問題，或者簡單地理解它。他們將獲得實用數(shù)據(jù)建模、優(yōu)化和開發(fā)機器學(xué)習(xí)系統(tǒng)的經(jīng)驗，而沒必要了解特定算法的理論推導(dǎo)。機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)是針對感興趣的人的，某些算法在較高的層次上進(jìn)行解釋，本書提供給那些想深入學(xué)習(xí)的人，我們的焦點是獲得實際結(jié)果以解決手頭的問題。

　　代碼約定，下載和軟件需求

　　本書包含許多示例源代碼，或者以編號的清單出現(xiàn)，或者嵌入在正文中，但無論哪種情況，都以固定寬度的這種字體顯示，以區(qū)別于正常的文本。

　　源代碼使用Python，pandas和Scikit-Learn編寫。與章節(jié)相應(yīng)的iPython筆記文件可在GitHub上下載，地址為https://githubcom/brinkar/real-world-machine-learning，也可以通過關(guān)注機械工業(yè)出版社計算機分社官方微信訂閱號“IT有得聊”，輸入5位數(shù)號“56922”后獲得資源下載鏈接，還可以登錄golden-book.com搜索本書并進(jìn)行下載。

　　筆記文件（擴展名為ipynb）與章節(jié)相對應(yīng)。樣本數(shù)據(jù)包含在data文件夾中，只要必需的庫隨iPython一起安裝，那么所有的筆記文件都能執(zhí)行。圖形由matplotlib和Seaborn的pyplot模塊生成。

　　在有些情況下，由iPython產(chǎn)生的圖形被提取出來作為本書的插圖（為了適應(yīng)打印質(zhì)量和電子書顯示，有些已經(jīng)做了修改）。

目錄推薦序作者序致謝譯者序關(guān)于本書作者簡介關(guān)于封面插圖第1部分機器學(xué)習(xí)工作流程第1章什么是機器學(xué)習(xí) 1.1理解機器學(xué)習(xí) 1.2使用數(shù)據(jù)進(jìn)行決策 1.2.1傳統(tǒng)方法 1.2.2機器學(xué)習(xí)方法 1.2.3機器學(xué)習(xí)的五大優(yōu)勢 1.2.4面臨的挑戰(zhàn) 1.3跟蹤機器學(xué)習(xí)流程：從數(shù)據(jù)到部署 1.3.1數(shù)據(jù)集合和預(yù)處理 1.3.2數(shù)據(jù)構(gòu)建模型 1.3.3模型性能評估 1.3.4模型性能優(yōu)化 1.4提高模型性能的高級技巧 1.4.1數(shù)據(jù)預(yù)處理和特征工程 1.4.2用在線算法持續(xù)改進(jìn)模型 1.4.3具有數(shù)據(jù)量和速度的規(guī)�；Ｐ� 1.5總結(jié) 1.6本章術(shù)語第2章實用數(shù)據(jù)處理 2.1起步：數(shù)據(jù)收集 2.1.1應(yīng)包含哪些特征 2.1.2如何獲得目標(biāo)變量的真實值 2.1.3需要多少訓(xùn)練數(shù)據(jù) 2.1.4訓(xùn)練集是否有足夠的代表性 2.2數(shù)據(jù)預(yù)處理 2.2.1分類特征 2.2.2缺失數(shù)據(jù)處理 2.2.3簡單特征工程 2.2.4數(shù)據(jù)規(guī)范化 2.3數(shù)據(jù)可視化 2.3.1馬賽克圖 2.3.2盒圖 2.3.3密度圖 2.3.4散點圖 2.4總結(jié) 2.5本章術(shù)語第3章建模和預(yù)測 3.1基礎(chǔ)機器學(xué)習(xí)建模 3.1.1尋找輸入和目標(biāo)間的關(guān)系 3.1.2尋求好模型的目的 3.1.3建模方法類型 3.1.4有監(jiān)督和無監(jiān)督學(xué)習(xí) 3.2分類：把數(shù)據(jù)預(yù)測到桶中 3.2.1構(gòu)建分類器并預(yù)測 3.2.2非線性數(shù)據(jù)與復(fù)雜分類 3.2.3多類別分類 3.3回歸：預(yù)測數(shù)值型數(shù)據(jù) 3.3.1構(gòu)建回歸器并預(yù)測 3.3.2對復(fù)雜的非線性數(shù)據(jù)進(jìn)行回歸 3.4總結(jié) 3.5本章術(shù)語第4章模型評估與優(yōu)化 4.1模型泛化：評估新數(shù)據(jù)的預(yù)測準(zhǔn)確性 4.1.1問題：過度擬合與樂觀模型 4.1.2解決方案：交叉驗證 4.1.3交叉驗證的注意事項 4.2分類模型評估 4.2.1分類精度和混淆矩陣 4.2.2準(zhǔn)確度權(quán)衡與ROC曲線 4.2.3多類別分類 4.3回歸模型評估 4.3.1使用簡單回歸性能指標(biāo) 4.3.2檢驗殘差 4.4參數(shù)調(diào)整優(yōu)化模型 4.4.1機器學(xué)習(xí)算法和它們的調(diào)整參數(shù) 4.4.2網(wǎng)格搜索 4.5總結(jié) 4.6本章術(shù)語第5章基礎(chǔ)特征工程 5.1動機：為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個原因 5.1.3特征工程與領(lǐng)域?qū)I(yè)知識 5.2基本特征工程過程 5.2.1實例：事件推薦 5.2.2處理日期和時間特征 5.2.3處理簡單文本特征 5.3特征選擇 5.3.1前向選擇和反向消除 5.3.2數(shù)據(jù)探索的特征選擇 5.3.3實用特征選擇實例 5.4總結(jié) 5.5本章術(shù)語第2部分實際應(yīng) 用第6章案例：NYC出租車數(shù)據(jù) 6.1數(shù)據(jù)：NYC出租車旅程和收費信息 6.1.1數(shù)據(jù)可視化 6.1.2定義問題并準(zhǔn)備數(shù)據(jù) 6.2建模 6.2.1基本線性模型 6.2.2非線性分類器 6.2.3包含分類特征 6.2.4包含日期-時間特征 6.2.5模型的啟示 6.3總結(jié) 6.4本章術(shù)語第7章高級特征工程 7.1高級文本特征 7.1.1詞袋模型 7.1.2主題建模 7.1.3內(nèi)容拓展 7.2圖像特征 7.2.1簡單圖像特征 7.2.2提取物體和形狀 7.3時間序列特征 7.3.1時間序列數(shù)據(jù)的類型 7.3.2時間序列數(shù)據(jù)的預(yù)測 7.3.3經(jīng)典時間序列特征 7.3.4事件流的特征工程 7.4總結(jié) 7.5本章術(shù)語第8章NLP高級案例：電影評論情感預(yù)測 8.1研究數(shù)據(jù)和應(yīng)用場景 8.1.1數(shù)據(jù)集初探 8.1.2檢查數(shù)據(jù) 8.1.3應(yīng)用場景有哪些 8.2提取基本NLP特征并構(gòu)建初始模型 8.2.1詞袋特征 8.2.2用樸素貝葉斯算法構(gòu)建模型 8.2.3tf-idf算法規(guī)范詞袋特征 8.2.4優(yōu)化模型參數(shù) 8.3高級算法和模型部署的考慮 8.3.1word2vec特征 8.3.2隨機森林模型 8.4總結(jié) 8.5本章術(shù)語第9章擴展機器學(xué)習(xí)流程 9.1擴展前需考慮的問題 9.1.1識別關(guān)鍵點 9.1.2選取訓(xùn)練數(shù)據(jù)子樣本代替擴展性 9.1.3可擴展的數(shù)據(jù)管理系統(tǒng) 9.2機器學(xué)習(xí)建模流程擴展 9.3預(yù)測擴展 9.3.1預(yù)測容量擴展 9.3.2預(yù)測速度擴展 9.4總結(jié) 9.5本章術(shù)語第10章案例：數(shù)字顯示廣告 10.1顯示廣告 10.2數(shù)字廣告數(shù)據(jù) 10.3特征工程和建模策略 10.4數(shù)據(jù)大小和形狀 10.5奇異值分解 10.6資源估計和優(yōu)化 10.7建模 10.8K近鄰算法 10.9隨機森林算法 10.10其他實用考慮 10.11總結(jié) 10.12本章術(shù)語 10.13摘要和結(jié)論附錄常用機器學(xué)習(xí)算法名詞術(shù)語中英文對照

你還可能感興趣

我要評論