數(shù)據(jù)挖掘競賽實戰(zhàn)：方法與案例

定　價：￥99.00

作　者：	許可樂
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥94.10)

ISBN：	9787302658467	出版時間：	2024-05-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書圍繞數(shù)據(jù)挖掘競賽，講解了各種類型數(shù)據(jù)挖掘競賽的解題思路、方法和技巧，并輔以對應的實戰(zhàn)案例。全書共11章。第1章介紹數(shù)據(jù)挖掘競賽的背景、意義和現(xiàn)狀。從第2章開始，介紹了各種不同類型的數(shù)據(jù)挖掘競賽包括結(jié)構(gòu)化數(shù)據(jù)、自然語言處理、計算機視覺（圖像）、計算機視覺（視頻）、強化學習。每種類型的數(shù)據(jù)挖掘競賽包含理論篇和實戰(zhàn)篇：理論篇介紹通用的解題流程和關鍵技術(shù)；實戰(zhàn)篇選取比較有代表性的賽題，對賽題的優(yōu)秀方案進行深入分析，并提供方案對應的實現(xiàn)代碼。本書適合數(shù)據(jù)挖掘競賽愛好者、人工智能相關專業(yè)在校大學生、人工智能方向從業(yè)人員及對人工智能感興趣的讀者閱讀。

作者簡介

　　許可樂畢業(yè)于法國巴黎六大，目前任教于國防科技大學計算機學院，入選湖湘青年英才人才計劃，Kaggle Grandmaster。長期從事智能模型開發(fā)與迭代研究。主持或參與自然科學基金、重點研發(fā)、國防科技創(chuàng)新特區(qū)等相關項目十余項，獲軍隊科技進步獎一項，擔任某重大工程項目副總設計師。在面向復雜開放環(huán)境的智能模型算法、支持OODA決策的深度強化學習方法等領域取得一系列原創(chuàng)性的成果，所提出算法在包括ACM KDD Cup 等國際人工智能和數(shù)據(jù)挖掘競賽中獲獎40余項，部分已經(jīng)國防關鍵領域得到實踐檢驗。在相關智能領域的公認的會議和期刊發(fā)表論文80余篇，相關論文被引用1700余次?，F(xiàn)任中國自動化學會混合智能專委會委員、中國計算機學會語音對話與聽覺專委會執(zhí)行委員，歐盟/英國科研基金評審專家，擔任AAAI等10余個國際頂級會議程序委員，擔任20余個國際期刊審稿人，獲CCF BDCI優(yōu)秀指導老師獎。

圖書目錄

第1章數(shù)據(jù)挖掘競賽介紹 1
1.1 數(shù)據(jù)挖掘競賽的發(fā)展 1
1.2 數(shù)據(jù)挖掘競賽的意義 4
1.3　競賽平臺介紹 5
1.4 各種競賽的特點 8
1.5 競賽常用工具 9
第2章結(jié)構(gòu)化數(shù)據(jù)：理論篇 13
2.1 探索性數(shù)據(jù)分析 13
2.2 數(shù)據(jù)預處理 18
2.2.1 缺失值 18
2.2.2 異常值 20
2.2.3 內(nèi)存優(yōu)化 21
2.3 特征構(gòu)造 23
2.3.1 時間特征 23
2.3.2 單變量特征 25
2.3.3 組合特征 27
2.3.4 降維/聚類特征 28
2.3.5 目標值相關特征 30
2.3.6 拼表特征 33
2.3.7 時序特征 39
2.4 特征篩選 41
2.4.1 冗余特征過濾 41
2.4.2 無效/低效特征過濾 42
2.4.3 過擬合特征過濾 45
2.5 模型 49
2.5.1 結(jié)構(gòu)化數(shù)據(jù)常用模型 49
2.5.2 模型超參數(shù)優(yōu)化 55
2.5.3 線下驗證 58
2.6 集成學習 62
2.6.1 投票法 62
2.6.2 平均法 63
2.6.3 加權(quán)平均法 64
2.6.4 Stacking 66
2.6.5 Blending 67
第3章結(jié)構(gòu)化數(shù)據(jù)：實戰(zhàn)篇 70
3.1 賽題概覽 70
3.2 數(shù)據(jù)探索 71
3.2.1 標簽分布 71
3.2.2 缺失值 72
3.2.3 異常值 73
3.2.4 相關性 73
3.3 優(yōu)秀方案解讀 74
3.3.1 特征工程 75
3.3.2 模型 77
3.3.3 集成學習 80
第4章自然語言處理：理論篇 82
4.1 探索性數(shù)據(jù)分析 84
4.1.1 文本詞數(shù)統(tǒng)計 84
4.1.2 高頻詞統(tǒng)計 85
4.2 數(shù)據(jù)預處理 86
4.3 數(shù)據(jù)增強 88
4.3.1 同義詞替換 88
4.3.2 回譯 89
4.3.3 文本生成 89
4.3.4 元偽標簽 90
4.4 模型 91
4.4.1 NLP競賽的萬金油—BERT 91
4.4.2 常用模型backbone及其特點 93
4.4.3 設計BERT類模型的輸入 95
4.4.4 設計BERT類模型的neck 98
4.4.5　設計BERT類模型的輸出 100
4.5 模型集成 103
4.6 訓練技巧 103
4.6.1 動態(tài)驗證 104
4.6.2 分層學習率 106
4.6.3 對抗訓練 108
4.6.4 使用特殊詞處理復雜信息 111
4.6.5 任務內(nèi)掩碼語言建模 113
4.6.6 多樣本dropout 114
4.6.7 模型權(quán)重初始化 116
4.6.8 動態(tài)填充 117
4.6.9 根據(jù)文本詞數(shù)順序推理 118
4.6.10 梯度檢查點 119
4.6.11 拓展模型輸入長度限制 120
第5章自然語言處理：實戰(zhàn)篇 121
5.1 賽題背景 121
5.2 數(shù)據(jù)介紹 122
5.3 評價指標 123
5.4 冠軍方案 124
5.4.1　解碼網(wǎng)絡 125
5.4.2 特征抽取網(wǎng)絡 127
5.4.3 掩碼預訓練 127
5.4.4 訓練技巧 128
5.4.5 模型集成 131
第6章計算機視覺（圖像）：理論篇 134
6.1 通用流程 135
6.1.1 數(shù)據(jù)預處理 135
6.1.2 數(shù)據(jù)增強 136
6.1.3 預訓練 141
6.1.4 模型 142
6.1.5 損失函數(shù) 143
6.1.6 集成學習 143
6.1.7 通用技巧 143
6.2 分類任務 147
6.2.1 任務介紹及常用模型 147
6.2.2 損失函數(shù) 148
6.2.3 常用技巧 149
6.3 分割任務 150
6.3.1 任務介紹及常用模型 150
6.3.2 損失函數(shù) 151
6.3.3 常用技巧 152
6.4 檢測任務 154
6.4.1 任務介紹及常用模型 154
6.4.2 損失函數(shù) 155
6.4.3 常用技巧 161
第7章計算機視覺（圖像）：實戰(zhàn)篇 165
7.1 競賽介紹 165
7.2 數(shù)據(jù)探索 166
7.2.1 數(shù)據(jù)基本情況 167
7.2.2 類型分布 167
7.2.3 圖像分布 168
7.2.4 標注分布 170
7.3 優(yōu)秀方案解讀 170
7.3.1 檢測部分 171
7.3.2 分割部分 175
7.4 更多方案 180
第8章計算機視覺（視頻）：理論篇 182
8.1 視頻數(shù)據(jù)與圖像數(shù)據(jù)的區(qū)別 182
8.2 常用模型 185
8.3 預訓練數(shù)據(jù)集 188
8.4 任務介紹 189
第9章計算機視覺（視頻）：實戰(zhàn)篇 192
9.1 賽題背景 192
9.2 數(shù)據(jù)介紹和評價指標 192
9.3 冠軍方案 193
第10章強化學習：理論篇 200
10.1 智能體設計 201
10.1.1 觀測輸入設計 201
10.1.2 收益設計 204
10.1.3 動作設計 205
10.2 模型設計 206
10.3　算法設計 207
10.3.1 強化學習算法 207
10.3.2 超參數(shù)調(diào)節(jié) 208
10.3.3 訓練技巧 210
10.3.4 算法性能評估 211
第11章強化學習：實戰(zhàn)篇 212
11.1 賽題任務 212
11.2 環(huán)境介紹 213
11.3 評價指標 213
11.4 冠軍方案 214