0人評分過此書
本书创作团队核心成员长期从事机器学习方面的理论研究和工程实践，通过项目实战，积累了大量解决问题的方法和经验，并通过本书将自己的经验整理出来，以满足广大读者希望使用机器学习来解决实际问题的需要。
- 封面页
- 书名页
- 版权页
- 内容简介
-
前言
-
本书读者
-
源码下载与技术支持
-
本书作者与致谢
-
- 目录
-
第1章 机器学习解决问题流程
-
1.1 机器学习基础
-
1.1.1 机器学习定义
-
1.1.2 机器学习流派
-
1.1.3 机器学习简史
-
-
1.2 机器学习解决实际问题的流程
-
1.3 机器学习平台介绍
-
1.3.1 阿里PAI
-
1.3.2 第四范式先知（Sage EE）
-
1.3.3 腾讯智能钛机器学习（TI-ML）
-
1.3.4 中科院EasyML
-
1.3.5 百度机器学习BML
-
1.3.6 华为AI开发平台ModelArts
-
1.3.7 微软Azure机器学习服务
-
1.3.8 谷歌Cloud AutoML平台
-
1.3.9 亚马逊SageMaker
-
-
1.4 本章小结
-
-
第2章 问题分析与建模
-
2.1 问题分析
-
2.1.1 明确和理解问题
-
2.1.2 拆解和定位问题
-
-
2.2 数据分析
-
2.2.1 描述统计分析
-
2.2.2 相关分析
-
2.2.3 回归分析
-
2.2.4 分类分析
-
2.2.5 聚类分析
-
-
2.3 问题建模
-
2.4 心脏病UCI数据集案例
-
2.4.1 问题描述
-
2.4.2 问题分析
-
2.4.3 数据分析
-
2.4.4 问题建模
-
-
2.5 本章小结
-
-
第3章 数据探索与准备
-
3.1 ETL技术
-
3.1.1 ETL工作方式
-
3.1.2 ETL实现模式
-
3.1.3 ETL发展历程
-
3.1.4 主流ETL工具
-
-
3.2 数据清洗
-
3.2.1 数据缺失处理
-
3.2.2 异常值处理
-
-
3.3 采样
-
3.3.1 拒绝采样
-
3.3.2 重要性采样
-
3.3.3 马尔可夫链蒙特卡洛采样
-
-
3.4 本章小结
-
-
第4章 特征工程
-
4.1 数据预处理
-
4.1.1 特征缩放
-
4.1.2 特征编码
-
-
4.2 特征选择
-
4.2.1 过滤式选择Filter
-
4.2.2 包裹式选择Wrapper
-
4.2.3 嵌入式选择Embedded
-
-
4.3 降维
-
4.3.1 主成分分析PCA
-
4.3.2 线性判别分析
-
-
4.4 本章小结
-
-
第5章 模型训练与评价
-
5.1 模型选择
-
5.1.1 基础知识
-
5.1.2 模型选择的要素
-
-
5.2 模型训练
-
5.2.1 留出法
-
5.2.2 交叉验证法
-
5.2.3 自助法
-
-
5.3 模型调优
-
5.3.1 超参数调优
-
5.3.2 神经架构搜索
-
5.3.3 元学习
-
-
5.4 模型评价
-
5.4.1 分类问题
-
5.4.2 回归问题
-
5.4.3 聚类问题
-
-
5.5 本章小结
-
-
第6章 模型部署与应用
-
6.1 机器学习模型格式
-
6.1.1 scikit-learn
-
6.1.2 TensorFlow
-
6.1.3 PyTorch
-
-
6.2 机器学习模型部署
-
6.2.1 模型在平台内应用
-
6.2.2 将模型封装成可执行脚本
-
6.2.3 基于容器和微服务的模型部署方式
-
6.2.4 模型部署方式对比
-
-
6.3 模型对外访问接口
-
6.3.1 REST架构
-
6.3.2 RPC架构
-
6.3.3 gRPC架构
-
6.3.4 模型对外接口对比
-
-
6.4 模型更新
-
6.4.1 如何更新模型
-
6.4.2 如何进行持续更新
-
-
6.5 本章小结
-
-
第7章 回归模型
-
7.1 线性回归
-
7.1.1 线性回归原理
-
7.1.2 多项式回归
-
7.1.3 线性回归案例
-
-
7.2 正则线性模型
-
7.2.1 正则线性模型原理
-
7.2.2 L1、L2正则化对比
-
-
7.3 逻辑回归
-
7.3.1 逻辑回归原理
-
7.3.2 逻辑回归案例
-
-
7.4 本章小结
-
-
第8章 支持向量机
-
8.1 绪论
-
8.2 支持向量机原理
-
8.2.1 函数间隔
-
8.2.2 对偶问题
-
8.2.3 软间隔SVM
-
8.2.4 KKT条件
-
8.2.5 支持向量
-
8.2.6 核函数
-
8.2.7 SMO
-
8.2.8 合页损失函数
-
-
8.3 SVR回归方法
-
8.4 SVM预测示例
-
8.5 本章小结
-
-
第9章 决策树
-
9.1 绪论
-
9.2 决策树基本概念
-
9.2.1 特征选择
-
9.2.2 信息增益
-
9.2.3 信息增益率
-
9.2.4 基尼系数
-
-
9.3 ID3算法
-
9.4 C4.5算法
-
9.4.1 决策树生成
-
9.4.2 决策树剪枝
-
-
9.5 CART算法
-
9.5.1 决策树生成
-
9.5.2 决策树剪枝
-
-
9.6 决策树应用
-
9.7 本章小结
-
-
第10章 集成学习
-
10.1 bagging与随机森林
-
10.1.1 bagging
-
10.1.2 随机森林
-
10.1.3 随机森林的应用
-
10.1.4 随机森林的推广
-
-
10.2 boosting
-
10.2.1 Adaboost
-
10.2.2 前向分步算法
-
10.2.3 三大框架
-
-
10.3 stacking与blending
-
10.4 本章小结
-
-
第11章 K近邻算法
-
11.1 KNN算法
-
11.2 距离的表示
-
11.3 KD树
-
11.4 KNN心脏病预测实例
-
11.5 本章小结
-
-
第12章 贝叶斯方法
-
12.1 贝叶斯方法概述
-
12.2 贝叶斯决策论
-
12.3 朴素贝叶斯分类器
-
12.4 贝叶斯网络
-
12.4.1 贝叶斯网络概念
-
12.4.2 贝叶斯网络学习
-
12.4.3 贝叶斯网络推理
-
12.4.4 贝叶斯网络的应用
-
-
12.5 贝叶斯优化
-
12.5.1 贝叶斯优化框架
-
12.5.2 概率代理模型
-
12.5.3 采集函数
-
12.5.4 贝叶斯优化的应用
-
-
12.6 贝叶斯优化迭代过程示例
-
12.7 本章小结
-
-
第13章 聚类算法
-
13.1 聚类的评价指标
-
13.2 距离计算
-
13.3 聚类算法
-
13.3.1 基于层次的算法
-
13.3.2 基于分割的算法
-
13.3.3 基于密度的算法
-
-
13.4 本章小结
-
-
第14章 关联规则学习
-
14.1 关联规则学习概述
-
14.2 频繁项集
-
14.3 Apriori算法
-
14.4 FP-growth算法
-
14.5 本章小结
-
-
第15章 神经网络基础
-
15.1 神经网络概述
-
15.2 神经网络原理
-
15.2.1 神经元
-
15.2.2 损失函数
-
15.2.3 激活函数
-
15.2.4 正向传播
-
15.2.5 反向传播
-
-
15.3 前馈神经网络
-
15.3.1 前馈神经网络概述
-
15.3.2 MNIST数据集多分类应用
-
-
15.4 本章小结
-
-
第16章 正则化
-
16.1 正则化概述
-
16.2 数据集增强
-
16.3 提前终止
-
16.4 Dropout
-
16.5 Batch Normalization
-
16.6 本章小结
-
-
第17章 深度学习中的优化
-
17.1 优化技术概述
-
17.2 优化原理
-
17.2.1 标准化
-
17.2.2 梯度下降
-
17.2.3 参数初始化
-
-
17.3 自适应优化方法
-
17.4 参数初始化方法
-
17.5 本章小结
-
-
第18章 卷积神经网络
-
18.1 卷积神经网络概述
-
18.2 卷积神经网络原理
-
18.2.1 局部连接
-
18.2.2 权值共享
-
18.2.3 池化层
-
-
18.3 卷积神经网络的新方法
-
18.3.1 1D/2D/3D卷积
-
18.3.2 1×1卷积
-
18.3.3 空洞卷积
-
18.3.4 全卷积神经网络
-
-
18.4 卷积神经网络的应用
-
18.4.1 卷积神经网络的发展
-
18.4.2 MNIST数据集分类示例
-
-
18.5 本章小结
-
-
第19章 循环神经网络
-
19.1 循环神经网络概述
-
19.2 循环神经网络原理
-
19.2.1 展开计算图
-
19.2.2 循环神经网络
-
19.2.3 长期依赖
-
19.2.4 LSTM
-
19.2.5 GRU
-
19.2.6 双向RNN
-
19.2.7 深度循环网络
-
19.2.8 基于编码‒解码的序列到序列架构
-
-
19.3 各种RNN的优缺点及应用场景
-
19.4 时间序列预测问题示例
-
19.5 本章小结
-
-
第20章 自编码器
-
20.1 绪论
-
20.2 自编码器原理
-
20.2.1 经典自编码器
-
20.2.2 去噪自编码器
-
20.2.3 稀疏自编码器
-
20.2.4 变分自编码器
-
20.2.5 堆叠自编码器
-
20.2.6 与神经网络融合的编码器
-
-
20.3 自编码器优缺点及应用场景
-
20.4 自编码器应用
-
20.5 本章小结
-
-
第21章 基于深度学习的语音分离方法
-
21.1 问题背景
-
21.2 问题定义
-
21.3 相关工作
-
21.4 VoiceFilter的实现方法
-
21.4.1 说话人编码器
-
21.4.2 声谱掩码网络
-
21.4.3 实验效果
-
-
21.5 本章小结
-
-
第22章 基于深度学习的图像去水印方法
-
22.1 图像去水印的研究背景
-
22.2 图像修复问题的定义
-
22.3 图像修复的相关工作
-
22.3.1 传统修复方法
-
22.3.2 基于深度学习的修复方法
-
22.3.3 修复效果评价指标
-
22.3.4 常用数据集
-
-
22.4 方法实现
-
22.4.1 基于内容编码器的生成网络模型
-
22.4.2 损失函数设计
-
22.4.3 算法步骤
-
22.4.4 实验结果展示
-
-
22.5 本章小结
-
-
第23章 基于LSTM的云环境工作负载预测方法
-
23.1 工作负载预测的研究背景
-
23.2 工作负载预测问题的定义
-
23.3 工作负载预测的相关工作
-
23.3.1 循环神经网络
-
23.3.2 门控循环单元
-
-
23.4 基于LSTM的工作负载预测
-
23.4.1 负载数据预处理
-
23.4.2 LSTM预测模型
-
23.4.3 实验结果与分析
-
-
23.5 本章小结
-
-
第24章 基于QoS的服务组合问题
-
24.1 服务组合问题的研究背景
-
24.2 半自动服务组合问题的定义
-
24.3 服务组合问题的相关工作
-
24.3.1 求解最优解的方法
-
24.3.2 基于元启发式算法的方法
-
24.3.3 基于强化学习的方法
-
-
24.4 Q-learning算法
-
24.5 Q-learning算法的实现
-
24.5.1 状态集设计
-
24.5.2 动作集设计
-
24.5.3 回报函数设计
-
24.5.4 Q-learning算法步骤
-
24.5.5 实验结果展示
-
-
24.6 本章小结
-
-
第25章 基于强化学习的投资组合方法
-
25.1 投资组合问题的研究背景
-
25.2 投资组合指数增强问题的定义
-
25.2.1 符号定义
-
25.2.2 基本假设
-
25.2.3 问题描述
-
25.2.4 个股收益率和指数收益率
-
25.2.5 目标函数
-
25.2.6 约束条件
-
25.2.7 问题的完整定义
-
-
25.3 投资组合问题的研究方法
-
25.3.1 基于统计模型的方法
-
25.3.2 启发式算法
-
25.3.3 基于学习的算法
-
-
25.4 深度确定性策略梯度算法
-
25.5 投资组合问题的实现方法
-
25.5.1 数据探索与准备
-
25.5.2 模型训练与评价
-
25.5.3 实验结果及分析
-
-
25.6 本章小结
-
-
第26章 基于GAN模型的大数据系统参数优化方法
-
26.1 大数据系统参数优化的研究背景
-
26.2 大数据系统参数优化问题的定义
-
26.3 大数据系统参数优化的方法
-
26.3.1 基于模型的大数据系统参数优化方法
-
26.3.2 基于评估的大数据系统参数优化方法
-
26.3.3 基于搜索的大数据系统参数优化方法
-
26.3.4 基于学习的大数据系统参数优化方法
-
26.3.5 大数据系统参数优化问题的流程
-
-
26.4 ACTGAN方法
-
26.4.1 动机
-
26.4.2 原理
-
26.4.3 具体过程
-
26.4.4 实验结果
-
-
26.5 本章小结
-
26.5.1 总结
-
26.5.2 展望
-
-
- 附录1 名词及解释
- 附录2 数据集
- 参考文献
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
EPUB
EPUB
