高級(jí)機(jī)器學(xué)習(xí)算法實(shí)戰(zhàn)

定　價(jià)：￥99.00

作　者：	V．基肖爾·艾亞德瓦拉，Kishore Ayyadevara
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111711445	出版時(shí)間：	2022-10-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　本書在理解算法如何工作和如何更好地調(diào)整模型之間架起一座橋梁。本書將幫助你掌握開發(fā)主要機(jī)器學(xué)習(xí)模型的技能，包括監(jiān)督和無監(jiān)督學(xué)習(xí)（其中包括線性/對(duì)率回歸）、決策樹、隨機(jī)森林、梯度提升機(jī)（GBM）、神經(jīng)網(wǎng)絡(luò)、k均值聚類、主成分分析和推薦系統(tǒng)。你將通過應(yīng)用于文本挖掘的CNN、RNN和Word2vec接觸到*新的深度學(xué)習(xí)，并學(xué)習(xí)相關(guān)理論和案例研究，如情感分類、欺詐檢測、推薦系統(tǒng)和圖像識(shí)別等，以便獲得工業(yè)中使用的絕大多數(shù)機(jī)器學(xué)習(xí)算法的*佳理論和實(shí)踐。除了學(xué)習(xí)算法，你還將接觸到在所有主要云服務(wù)提供商上運(yùn)行的機(jī)器學(xué)習(xí)模型。本書適合從事AI行業(yè)的工程師，以及希望從事數(shù)據(jù)科學(xué)工作的IT人員閱讀，并可以供數(shù)據(jù)科學(xué)家工作時(shí)參考使用。

作者簡介

　　作者簡介V Kishore Ayyadevara對(duì)任何有關(guān)數(shù)據(jù)的東西都充滿熱情。十多年來，他一直致力于技術(shù)、數(shù)據(jù)和機(jī)器學(xué)習(xí)的交叉領(lǐng)域，以便能夠識(shí)別、溝通和解決業(yè)務(wù)問題。他曾在美國運(yùn)通（American Express）公司的風(fēng)險(xiǎn)管理部門和亞馬遜公司的供應(yīng)鏈分析團(tuán)隊(duì)中工作，目前正在領(lǐng)導(dǎo)一家初創(chuàng)公司的數(shù)據(jù)產(chǎn)品開發(fā)工作，負(fù)責(zé)實(shí)施各種分析解決方案并建立強(qiáng)大的數(shù)據(jù)科學(xué)團(tuán)隊(duì)。Kishore是一個(gè)積極的學(xué)習(xí)者，他的興趣包括識(shí)別可以使用數(shù)據(jù)解決的業(yè)務(wù)問題，簡化數(shù)據(jù)科學(xué)中的復(fù)雜性，以及跨領(lǐng)域轉(zhuǎn)移技術(shù)以實(shí)現(xiàn)可量化的業(yè)務(wù)結(jié)果。

圖書目錄

目錄
譯者序
原書前言
作者簡介
技術(shù)評(píng)審員簡介
第1章機(jī)器學(xué)習(xí)基礎(chǔ)
1.1回歸和分類
1.1.1訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)
1.1.2對(duì)于驗(yàn)證數(shù)據(jù)集的需求
1.1.3精度測量
1.1.4AUC值和ROC曲線
1.2無監(jiān)督學(xué)習(xí) //
1.3建立模型的典型方法
1.3.1數(shù)據(jù)從哪里獲取
1.3.2需要獲取哪些數(shù)據(jù)
1.3.3數(shù)據(jù)預(yù)處理
1.3.4特征交互
1.3.5特征生成
1.3.6建立模型
1.3.7模型生產(chǎn)化
1.3.8構(gòu)建、部署、測試和迭代
1.4總結(jié)
第2章線性回歸
2.1線性回歸介紹
2.1.1變量：自變量和因變量
2.1.2相關(guān)性
2.1.3因果關(guān)系
2.2簡單線性回歸與多元線性回歸
2.3形式化簡單線性回歸
2.3.1偏差項(xiàng)
2.3.2斜率
2.4求解一個(gè)簡單線性回歸
2.5求解簡單線性回歸更通用的方法
2.5.1平方差總和小化
2.5.2求解公式
2.6簡單線性回歸的工作細(xì)節(jié)
2.6.1讓簡單線性回歸復(fù)雜化一點(diǎn)
2.6.2達(dá)到優(yōu)系數(shù)值
2.6.3方均根誤差介紹
2.7在R中運(yùn)行簡單線性回歸
2.7.1殘差
2.7.2系數(shù)
2.7.3殘差（殘余偏差）的SSE
2.7.4零偏差
2.7.5R平方
2.7.6F統(tǒng)計(jì)量
2.8在Python中運(yùn)行簡單線性回歸
2.9簡單線性回歸的常見缺陷
2.10多元線性回歸
2.10.1多元線性回歸的工作細(xì)節(jié)
2.10.2R中的多元線性回歸
2.10.3Python中的多元線性回歸
2.10.4模型中的非重要變量問題
2.10.5多重共線性問題
2.10.6多重共線性的數(shù)學(xué)直覺
2.10.7有關(guān)多元線性回歸的其他注意事項(xiàng)
2.11線性回歸的假設(shè)
2.12總結(jié)
第3章對(duì)數(shù)幾率回歸
3.1為什么線性回歸對(duì)離散結(jié)果無效
3.2一個(gè)更普遍的解決方案：Sigmoid曲線
3.2.1形式化Sigmoid曲線（Sigmoid激活）
3.2.2從Sigmoid曲線到對(duì)率回歸
3.2.3對(duì)率回歸的解釋
3.2.4對(duì)率回歸的工作細(xì)節(jié)
3.2.5估算誤差
3.2.6小二乘法與線性假設(shè)
3.3在R中運(yùn)行對(duì)率回歸
3.4在Python中運(yùn)行對(duì)率回歸
3.5確定興趣的度量
3.6常見陷阱
3.6.1預(yù)測和事件發(fā)生之間的時(shí)間
3.6.2自變量中的異常值
3.7總結(jié)
第4章決策樹
4.1決策樹的構(gòu)成部分
4.2存在多個(gè)離散自變量的分類決策樹
4.2.1信息增益
4.2.2計(jì)算不確定性：熵
4.2.3計(jì)算信息增益
4.2.4原始數(shù)據(jù)集中的不確定性
4.2.5衡量不確定性的改善
4.2.6哪些特定值進(jìn)入左側(cè)或右側(cè)節(jié)點(diǎn)
4.2.7分裂過程何時(shí)停止
4.3連續(xù)自變量的分類決策樹
4.4有多個(gè)自變量時(shí)的分類決策樹
4.5存在連續(xù)自變量和離散自變量時(shí)的分類決策樹
4.6如果響應(yīng)變量是連續(xù)的怎么辦
4.6.1連續(xù)因變量與多個(gè)連續(xù)自變量
4.6.2連續(xù)因變量與離散自變量
4.6.3連續(xù)因變量與離散、連續(xù)自變量
4.7在R中實(shí)現(xiàn)決策樹
4.8在Python中實(shí)現(xiàn)決策樹
4.9創(chuàng)建樹的常見技術(shù)
4.10可視化樹的構(gòu)建
4.11異常值對(duì)決策樹的影響
4.12總結(jié)
第5章隨機(jī)森林
5.1一個(gè)隨機(jī)森林的場景
5.1.1Bagging
5.1.2隨機(jī)森林的工作細(xì)節(jié)
5.2在R中實(shí)現(xiàn)隨機(jī)森林
5.2.1隨機(jī)森林中的參數(shù)調(diào)整
5.2.2樹的深度對(duì)AUC的影響
5.3在Python中實(shí)現(xiàn)隨機(jī)森林
5.4總結(jié)
第6章梯度提升機(jī)
6.1梯度提升機(jī)介紹
6.2GBM的工作細(xì)節(jié)
6.3收縮率
6.4AdaBoost
6.4.1AdaBoost理論
6.4.2AdaBoost的工作細(xì)節(jié)
6.5GBM的附加功能
6.6在Python中實(shí)現(xiàn)GBM
6.7在R中實(shí)現(xiàn)GBM
6.8總結(jié)
第7章人工神經(jīng)網(wǎng)絡(luò)
7.1神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
7.2訓(xùn)練神經(jīng)網(wǎng)絡(luò)的工作細(xì)節(jié)
7.2.1前向傳播
7.2.2應(yīng)用激活函數(shù)
7.2.3反向傳播
7.2.4計(jì)算反向傳播
7.2.5隨機(jī)梯度下降
7.2.6深入了解梯度下降
7.2.7為什么要有學(xué)習(xí)率
7.3批量訓(xùn)練
7.3.1Softmax的概念
7.4不同的損耗優(yōu)化函數(shù)
7.4.1縮放數(shù)據(jù)集
7.5在Python中實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
7.6利用正則化避免過擬合
7.7將權(quán)重分配給正則化項(xiàng)
7.8在R中實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
7.9總結(jié)
第8章 Word2vec
8.1手工構(gòu)建詞向量
8.2構(gòu)建詞向量的方法
8.3Word2vec模型中需要注意的問題
8.3.1常用詞
8.3.2負(fù)采樣
8.4在Python中實(shí)現(xiàn)Word2vec
8.5總結(jié)
第9章卷積神經(jīng)網(wǎng)絡(luò)
9.1傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的問題
9.1.1場景1
9.1.2場景2
9.1.3場景3
9.1.4場景4
9.2了解CNN中的卷積
9.2.1從卷積到激活
9.2.2從卷積激活到池化
9.2.3卷積和池化有什么幫助
9.3使用代碼創(chuàng)建CNN
9.4CNN的工作細(xì)節(jié)
9.5深入研究卷積/內(nèi)核
9.6從卷積和池化到扁平化：完全連接層
9.6.1從一個(gè)完全連接層到另一個(gè)完全連接層
9.6.2從完全連接層到輸出層
9.7連接點(diǎn)：前饋網(wǎng)絡(luò)
9.8CNN的其他細(xì)節(jié)
9.9CNN中的反向傳播
9.10將各層放在一起
9.11數(shù)據(jù)增強(qiáng)
9.12在R中實(shí)現(xiàn)CNN
9.13總結(jié)
第10章遞歸神經(jīng)網(wǎng)絡(luò)
10.1理解架構(gòu)
10.2RNN的解釋
10.3RNN的工作細(xì)節(jié)
10.3.1時(shí)間步驟1
10.3.2時(shí)間步驟2
10.3.3時(shí)間步驟3
10.4實(shí)現(xiàn)RNN:SimpleRNN
10.4.1編譯模型
10.4.2驗(yàn)證RNN的輸出
10.5實(shí)現(xiàn)RNN：生成文本
10.6RNN中的嵌入層
10.7傳統(tǒng)RNN的問題
10.7.1梯度消失問題
10.7.2梯度爆炸問題
10.8LSTM
10.9在keras中實(shí)現(xiàn)基本LSTM
10.10實(shí)現(xiàn)LSTM進(jìn)行情感分類
10.11在R中實(shí)現(xiàn)RNN
10.12總結(jié)
第11章聚類
11.1聚類介紹
11.1.1構(gòu)建用于性能比較的商店簇
11.1.2理想聚類
11.1.3在沒有聚類和過多聚類之間取得平衡：k均值聚類
11.2聚類過程
11.3k均值聚類算法的工作細(xì)節(jié)
11.3.1k均值算法在數(shù)據(jù)集上的應(yīng)用
11.3.2k均值聚類算法的性質(zhì)
11.4在R中實(shí)現(xiàn)k均值聚類
11.5在Python中實(shí)現(xiàn)k均值聚類
11.6主要指標(biāo)的意義
11.7確定優(yōu)的k
11.8自上向下與自下向上的聚類
11.8.1層次聚類
11.8.2層次聚類的主要缺點(diǎn)
11.9k均值聚類的行業(yè)使用案例
11.10總結(jié)
第12章主成分分析
12.1PCA的直觀理解
12.2PCA的工作細(xì)節(jié)
12.3在PCA中縮放數(shù)據(jù)
12.4將PCA擴(kuò)展到多變量
12.5在R中實(shí)現(xiàn)PCA
12.6在Python中實(shí)現(xiàn)PCA
12.7將PCA應(yīng)用于MNIST
12.8總結(jié)
第13章推薦系統(tǒng)
13.1了解k近鄰
13.2基于用戶的協(xié)同過濾的工作細(xì)節(jié)
13.2.1歐氏距離
13.2.2余弦相似度
13.3基于項(xiàng)目的協(xié)同過濾
13.4在R中實(shí)現(xiàn)協(xié)同過濾
13.5在Python中實(shí)現(xiàn)協(xié)同過濾
13.6矩陣分解的工作細(xì)節(jié)
13.7在Python中實(shí)現(xiàn)矩陣分解
13.8在R中實(shí)現(xiàn)矩陣分解
13.9總結(jié)
第14章在云中實(shí)現(xiàn)算法
14.1谷歌云平臺(tái)
14.2微軟Azure
14.3亞馬遜網(wǎng)絡(luò)服務(wù)
14.4將文件傳輸?shù)皆茖?shí)例
14.5從本地計(jì)算機(jī)運(yùn)行實(shí)例Jupyter Notebook
14.6在實(shí)例上安裝R
14.7總結(jié)
附錄 Excel、R和Python基礎(chǔ)
A.1 Excel基礎(chǔ)
A.2 R語言基礎(chǔ)
A.3 Python基礎(chǔ)