掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥49.5
加入購(gòu)物車
實(shí)戰(zhàn)機(jī)器學(xué)習(xí) 版權(quán)信息
- ISBN：9787302591214
- 條形碼：9787302591214 ; 978-7-302-59121-4
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
實(shí)戰(zhàn)機(jī)器學(xué)習(xí) 本書特色
本書創(chuàng)作團(tuán)隊(duì)核心成員長(zhǎng)期從事機(jī)器學(xué)習(xí)方面的理論研究和工程實(shí)踐，通過(guò)項(xiàng)目實(shí)戰(zhàn)，積累了大量解決問(wèn)題的方法和經(jīng)驗(yàn)，并通過(guò)本書將自己的經(jīng)驗(yàn)整理出來(lái)，以滿足廣大讀者希望使用機(jī)器學(xué)習(xí)來(lái)解決實(shí)際問(wèn)題的需要。
實(shí)戰(zhàn)機(jī)器學(xué)習(xí) 內(nèi)容簡(jiǎn)介
隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算等技術(shù)的不斷發(fā)展，許多領(lǐng)域都產(chǎn)生了大量的數(shù)據(jù)。利用機(jī)器學(xué)習(xí)技術(shù)分析海量數(shù)據(jù)，可以從數(shù)據(jù)中發(fā)現(xiàn)隱含的、有價(jià)值的規(guī)律和模式，進(jìn)而用于預(yù)測(cè)并采取相應(yīng)動(dòng)作。在上述背景下，本書從理論、技術(shù)和應(yīng)用三個(gè)層面入手，全面講解如何利用機(jī)器學(xué)習(xí)技術(shù)解決實(shí)際問(wèn)題。 本書共分26章，內(nèi)容包括機(jī)器學(xué)習(xí)解決問(wèn)題流程、問(wèn)題分析與建模、數(shù)據(jù)探索與準(zhǔn)備、特征工程、模型訓(xùn)練與評(píng)價(jià)、模型部署與應(yīng)用、回歸模型、支持向量機(jī)、決策樹(shù)、集成學(xué)習(xí)、K近鄰算法、貝葉斯方法、聚類算法、關(guān)聯(lián)規(guī)則學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、正則化、深度學(xué)習(xí)中的優(yōu)化、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼器、基于深度學(xué)習(xí)的語(yǔ)音分離方法、基于深度學(xué)習(xí)的圖像去水印方法、基于LSTM的云環(huán)境工作負(fù)載預(yù)測(cè)方法、基于QoS的服務(wù)組合問(wèn)題、基于強(qiáng)化學(xué)習(xí)的投資組合方法、基于GAN模型的大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化方法。 本書內(nèi)容全面、示例豐富，適合機(jī)器學(xué)習(xí)初學(xué)者以及想要全面掌握機(jī)器學(xué)習(xí)技術(shù)的算法開(kāi)發(fā)人員，也適合高等院校和培訓(xùn)機(jī)構(gòu)人工智能相關(guān)專業(yè)的師生教學(xué)參考。
實(shí)戰(zhàn)機(jī)器學(xué)習(xí) 目錄
目 錄
第1章 機(jī)器學(xué)習(xí)解決問(wèn)題流程 1
1.1 機(jī)器學(xué)習(xí)基礎(chǔ) 1
1.1.1 機(jī)器學(xué)習(xí)定義 1
1.1.2 機(jī)器學(xué)習(xí)流派 3
1.1.3 機(jī)器學(xué)習(xí)簡(jiǎn)史 7
1.2 機(jī)器學(xué)習(xí)解決實(shí)際問(wèn)題的流程 8
1.3 機(jī)器學(xué)習(xí)平臺(tái)介紹 10
1.3.1 阿里PAI 10
1.3.2 第四范式先知（Sage EE） 11
1.3.3 騰訊智能鈦機(jī)器學(xué)習(xí)（TI-ML） 12
1.3.4 中科院EasyML 13
1.3.5 百度機(jī)器學(xué)習(xí)BML 14
1.3.6 華為AI開(kāi)發(fā)平臺(tái)ModelArts 15
1.3.7 微軟Azure機(jī)器學(xué)習(xí)服務(wù) 15
1.3.8 谷歌Cloud AutoML平臺(tái) 16
1.3.9 亞馬遜SageMaker 17
1.4 本章小結(jié) 18
第2章 問(wèn)題分析與建模 19
2.1 問(wèn)題分析 19
2.1.1 明確和理解問(wèn)題 19
2.1.2 拆解和定位問(wèn)題 21
2.2 數(shù)據(jù)分析 23
2.2.1 描述統(tǒng)計(jì)分析 24
2.2.2 相關(guān)分析 24
2.2.3 回歸分析 25
2.2.4 分類分析 25
2.2.5 聚類分析 26
2.3 問(wèn)題建模 27
2.4 心臟病UCI數(shù)據(jù)集案例 27
2.4.1 問(wèn)題描述 28
2.4.2 問(wèn)題分析 28
2.4.3 數(shù)據(jù)分析 29
2.4.4 問(wèn)題建模 30
2.5 本章小結(jié) 31
第3章 數(shù)據(jù)探索與準(zhǔn)備 32
3.1 ETL技術(shù) 32
3.1.1 ETL工作方式 32
3.1.2 ETL實(shí)現(xiàn)模式 33
3.1.3 ETL發(fā)展歷程 34
3.1.4 主流ETL工具 37
3.2 數(shù)據(jù)清洗 40
3.2.1 數(shù)據(jù)缺失處理 40
3.2.2 異常值處理 41
3.3 采樣 42
3.3.1 拒絕采樣 42
3.3.2 重要性采樣 43
3.3.3 馬爾可夫鏈蒙特卡洛采樣 44
3.4 本章小結(jié) 46
第4章 特征工程 47
4.1 數(shù)據(jù)預(yù)處理 47
4.1.1 特征縮放 47
4.1.2 特征編碼 48
4.2 特征選擇 53
4.2.1 過(guò)濾式選擇Filter 53
4.2.2 包裹式選擇Wrapper 59
4.2.3 嵌入式選擇Embedded 61
4.3 降維 63
4.3.1 主成分分析PCA 63
4.3.2 線性判別分析 65
4.4 本章小結(jié) 66
第5章 模型訓(xùn)練與評(píng)價(jià) 67
5.1 模型選擇 67
5.1.1 基礎(chǔ)知識(shí) 67
5.1.2 模型選擇的要素 68
5.2 模型訓(xùn)練 68
5.2.1 留出法 69
5.2.2 交叉驗(yàn)證法 70
5.2.3 自助法 71
5.3 模型調(diào)優(yōu) 71
5.3.1 超參數(shù)調(diào)優(yōu) 71
5.3.2 神經(jīng)架構(gòu)搜索 73
5.3.3 元學(xué)習(xí) 76
5.4 模型評(píng)價(jià) 78
5.4.1 分類問(wèn)題 78
5.4.2 回歸問(wèn)題 81
5.4.3 聚類問(wèn)題 82
5.5 本章小結(jié) 83
第6章 模型部署與應(yīng)用 84
6.1 機(jī)器學(xué)習(xí)模型格式 84
6.1.1 scikit-learn 84
6.1.2 TensorFlow 85
6.1.3 PyTorch 86
6.2 機(jī)器學(xué)習(xí)模型部署 87
6.2.1 模型在平臺(tái)內(nèi)應(yīng)用 87
6.2.2 將模型封裝成可執(zhí)行腳本 88
6.2.3 基于容器和微服務(wù)的模型部署方式 89
6.2.4 模型部署方式對(duì)比 92
6.3 模型對(duì)外訪問(wèn)接口 93
6.3.1 REST架構(gòu) 93
6.3.2 RPC架構(gòu) 94
6.3.3 gRPC架構(gòu) 95
6.3.4 模型對(duì)外接口對(duì)比 96
6.4 模型更新 96
6.4.1 如何更新模型 97
6.4.2 如何進(jìn)行持續(xù)更新 97
6.5 本章小結(jié) 99
第7章 回歸模型 100
7.1 線性回歸 100
7.1.1 線性回歸原理 100
7.1.2 多項(xiàng)式回歸 101
7.1.3 線性回歸案例 101
7.2 正則線性模型 103
7.2.1 正則線性模型原理 103
7.2.2 L1、L2正則化對(duì)比 103
7.3 邏輯回歸 105
7.3.1 邏輯回歸原理 106
7.3.2 邏輯回歸案例 109
7.4 本章小結(jié) 109
第8章 支持向量機(jī) 110
8.1 緒論 110
8.2 支持向量機(jī)原理 111
8.2.1 函數(shù)間隔 111
8.2.2 對(duì)偶問(wèn)題 112
8.2.3 軟間隔SVM 113
8.2.4 KKT條件 114
8.2.5 支持向量 115
8.2.6 核函數(shù) 115
8.2.7 SMO 117
8.2.8 合頁(yè)損失函數(shù) 117
8.3 SVR回歸方法 117
8.4 SVM預(yù)測(cè)示例 119
8.5 本章小結(jié) 120
第9章 決策樹(shù) 121
9.1 緒論 121
9.2 決策樹(shù)基本概念 121
9.2.1 特征選擇 122
9.2.2 信息增益 122
9.2.3 信息增益率 123
9.2.4 基尼系數(shù) 124
9.3 ID3算法 124
9.4 C4.5算法 125
9.4.1 決策樹(shù)生成 125
9.4.2 決策樹(shù)剪枝 126
9.5 CART算法 127
9.5.1 決策樹(shù)生成 128
9.5.2 決策樹(shù)剪枝 129
9.6 決策樹(shù)應(yīng)用 130
9.7 本章小結(jié) 130
第10章 集成學(xué)習(xí) 131
10.1 bagging與隨機(jī)森林 131
10.1.1 bagging 131
10.1.2 隨機(jī)森林 132
10.1.3 隨機(jī)森林的應(yīng)用 132
10.1.4 隨機(jī)森林的推廣 135
10.2 boosting 136
10.2.1 Adaboost 136
10.2.2 前向分步算法 142
10.2.3 三大框架 147
10.3 stacking與blending 154
10.4 本章小結(jié) 156
第11章 K近鄰算法 157
11.1 KNN算法 157
11.2 距離的表示 158
11.3 KD樹(shù) 159
11.4 KNN心臟病預(yù)測(cè)實(shí)例 160
11.5 本章小結(jié) 161
第12章 貝葉斯方法 162
12.1 貝葉斯方法概述 162
12.2 貝葉斯決策論 163
12.3 樸素貝葉斯分類器 165
12.4 貝葉斯網(wǎng)絡(luò) 165
12.4.1 貝葉斯網(wǎng)絡(luò)概念 166
12.4.2 貝葉斯網(wǎng)絡(luò)學(xué)習(xí) 167
12.4.3 貝葉斯網(wǎng)絡(luò)推理 168
12.4.4 貝葉斯網(wǎng)絡(luò)的應(yīng)用 169
12.5 貝葉斯優(yōu)化 169
12.5.1 貝葉斯優(yōu)化框架 170
12.5.2 概率代理模型 170
12.5.3 采集函數(shù) 172
12.5.4 貝葉斯優(yōu)化的應(yīng)用 173
12.6 貝葉斯優(yōu)化迭代過(guò)程示例 174
12.7 本章小結(jié) 177
第13章 聚類算法 178
13.1 聚類的評(píng)價(jià)指標(biāo) 178
13.2 距離計(jì)算 179
13.3 聚類算法 180
13.3.1 基于層次的算法 180
13.3.2 基于分割的算法 181
13.3.3 基于密度的算法 185
13.4 本章小結(jié) 187
第14章 關(guān)聯(lián)規(guī)則學(xué)習(xí) 188
14.1 關(guān)聯(lián)規(guī)則學(xué)習(xí)概述 188
14.2 頻繁項(xiàng)集 188
14.3 Apriori算法 189
14.4 FP-growth算法 193
14.5 本章小結(jié) 196
第15章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 197
15.1 神經(jīng)網(wǎng)絡(luò)概述 197
15.2 神經(jīng)網(wǎng)絡(luò)原理 198
15.2.1 神經(jīng)元 198
15.2.2 損失函數(shù) 199
15.2.3 激活函數(shù) 201
15.2.4 正向傳播 202
15.2.5 反向傳播 203
15.3 前饋神經(jīng)網(wǎng)絡(luò) 204
15.3.1 前饋神經(jīng)網(wǎng)絡(luò)概述 204
15.3.2 MNIST數(shù)據(jù)集多分類應(yīng)用 205
15.4 本章小結(jié) 206
第16章 正則化 207
16.1 正則化概述 207
16.2 數(shù)據(jù)集增強(qiáng) 207
16.3 提前終止 208
16.4 Dropout 208
16.5 Batch Normalization 211
16.6 本章小結(jié) 213
第17章 深度學(xué)習(xí)中的優(yōu)化 214
17.1 優(yōu)化技術(shù)概述 214
17.2 優(yōu)化原理 215
17.2.1 標(biāo)準(zhǔn)化 215
17.2.2 梯度下降 219
17.2.3 參數(shù)初始化 221
17.3 自適應(yīng)優(yōu)化方法 223
17.4 參數(shù)初始化方法 224
17.5 本章小結(jié) 225
第18章 卷積神經(jīng)網(wǎng)絡(luò) 226
18.1 卷積神經(jīng)網(wǎng)絡(luò)概述 226
18.2 卷積神經(jīng)網(wǎng)絡(luò)原理 226
18.2.1 局部連接 227
18.2.2 權(quán)值共享 228
18.2.3 池化層 229
18.3 卷積神經(jīng)網(wǎng)絡(luò)的新方法 230
18.3.1 1D/2D/3D卷積 230
18.3.2 1×1卷積 231
18.3.3 空洞卷積 231
18.3.4 全卷積神經(jīng)網(wǎng)絡(luò) 231
18.4 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用 232
18.5 本章小結(jié) 234
第19章 循環(huán)神經(jīng)網(wǎng)絡(luò) 235
19.1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述 235
19.2 循環(huán)神經(jīng)網(wǎng)絡(luò)原理 236
19.3 各種RNN的優(yōu)缺點(diǎn)及應(yīng)用場(chǎng)景 245
19.4 時(shí)間序列預(yù)測(cè)問(wèn)題示例 246
19.5 本章小結(jié) 248
第20章 自編碼器 249
20.1 緒論 249
20.2 自編碼器原理 250
20.3 自編碼器優(yōu)缺點(diǎn)及應(yīng)用場(chǎng)景 257
20.4 自編碼器應(yīng)用 258
20.5 本章小結(jié) 259
第21章 基于深度學(xué)習(xí)的語(yǔ)音分離方法 260
21.1 問(wèn)題背景 260
21.2 問(wèn)題定義 261
21.3 相關(guān)工作 262
21.4 VoiceFilter的實(shí)現(xiàn)方法 263
21.5 本章小結(jié) 274
第22章 基于深度學(xué)習(xí)的圖像去水印方法 276
22.1 圖像去水印的研究背景 276
22.2 圖像修復(fù)問(wèn)題的定義 277
22.3 圖像修復(fù)的相關(guān)工作 278
22.4 方法實(shí)現(xiàn) 282
22.5 本章小結(jié) 290
第23章 基于LSTM的云環(huán)境工作負(fù)載預(yù)測(cè)方法 291
23.1 工作負(fù)載預(yù)測(cè)的研究背景 291
23.2 工作負(fù)載預(yù)測(cè)問(wèn)題的定義 292
23.3 工作負(fù)載預(yù)測(cè)的相關(guān)工作 293
23.4 基于LSTM的工作負(fù)載預(yù)測(cè) 295
23.5 本章小結(jié) 300
第24章 基于QoS的服務(wù)組合問(wèn)題 301
24.1 服務(wù)組合問(wèn)題的研究背景 301
24.2 半自動(dòng)服務(wù)組合問(wèn)題的定義 302
24.3 服務(wù)組合問(wèn)題的相關(guān)工作 305
24.4 Q-learning算法 306
24.5 Q-learning算法的實(shí)現(xiàn) 308
24.6 本章小結(jié) 315
第25章 基于強(qiáng)化學(xué)習(xí)的投資組合方法 316
25.1 投資組合問(wèn)題的研究背景 316
25.2 投資組合指數(shù)增強(qiáng)問(wèn)題的定義 319
25.3 投資組合問(wèn)題的研究方法 322
25.4 深度確定性策略梯度算法 323
25.5 投資組合問(wèn)題的實(shí)現(xiàn)方法 326
25.6 本章小結(jié) 334
第26章 基于GAN模型的大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化方法 335
26.1 大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化的研究背景 335
26.2 大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化問(wèn)題的定義 336
26.3 大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化的方法 337
26.4 ACTGAN方法 347
26.5 本章小結(jié) 354
附錄1 名詞及解釋 355
附錄2 數(shù)據(jù)集 377
參考文獻(xiàn) 381
展開(kāi)全部
實(shí)戰(zhàn)機(jī)器學(xué)習(xí) 作者簡(jiǎn)介
鮑亮，西安電子科技大學(xué)副教授，西安電子科技大學(xué)博士。主要研究方向?yàn)檐浖w系結(jié)構(gòu)、面向服務(wù)的計(jì)算和云計(jì)算等，主持并完成科研課題多項(xiàng)，發(fā)表學(xué)術(shù)論文20余篇。 崔江濤，西安電子科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院教授、博士生導(dǎo)師。西安電子科技大學(xué)計(jì)算機(jī)學(xué)院博士。2018年入選陜西省高等學(xué)校教學(xué)名師，2020年入選陜西省特支計(jì)劃領(lǐng)軍人才。享受國(guó)務(wù)院政府特殊津貼，入選第八屆教育部科學(xué)技術(shù)委員會(huì)學(xué)部委員。 李倩，西安交通大學(xué)講師，西安交通大學(xué)博士。主要研究方向?yàn)樾袨榻鹑趯W(xué)和組合投資等，主持并完成科研課題多項(xiàng)，發(fā)表學(xué)術(shù)論文10余篇。
書友推薦
- >
史學(xué)評(píng)論
- >
隨園食單
- >
李白與唐代文化
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
中國(guó)歷史的瞬間
- >
龍榆生：詞曲概論/大家小書
- >
我從未如此眷戀人間
- >
小考拉的故事-套裝共3冊(cè)
本類暢銷
