实用机器学习 - Softcover

Brink Fetherolf 程继洪 Henrik

Softcover

ISBN 10: 7111569229 ISBN 13: 9787111569220

Publisher: 机械工业出版社, 2017

Synopsis

本书介绍了实用机器学习的工作流程，主要从实用角度进行了描述，没有数学公式和推导。本书涵盖了数据收集与处理、模型构建、评价和优化、特征的识别、提取和选择技术、高级特征工程、数据可视化技术以及模型的部署和安装，结合3个真实案例全面、详细地介绍了整个机器学习流程。后，还介绍了机器学习流程的扩展和大数据应用。本书可以作为程序员、数据分析师、统计学家、数据科学家解决实际问题的参考书，也可以作为机器学习爱好者学习和应用的参考书，还可以作为非专业学生的机器学习入门参考书，以及专业学生的实践参考书。本书获央视财经频道《第一时间》栏目推荐!随着阿尔法狗在围棋领域高奏凯歌，人工智能领域已成为当前引人注目的风口，而机器学习又是这风口中的风头劲的热点。本书从实战角度剖析了机器学习的知识原理，读者无需担心遇到难懂的数学公式和推导，就能够将机器学习的知识应用在自己熟悉的领域。《实用机器学习》还包含了三个机器学习真是应用的综合案例，本书所有代码资源都可以通过网络下载，读者还可以登录GITHUB与全球的机器学习爱好者共同交流本书的学习体验。推荐序作者序致谢译者序关于本书作者简介关于封面插图第1部分机器学习工作流程第1章什么是机器学习1.1理解机器学习1.2使用数据进行决策1.2.1传统方法1.2.2机器学习方法1.2.3机器学习的五大优势1.2.4面临的挑战1.3跟踪机器学习流程：从数据到部署1.3.1数据集合和预处理1.3.2数据构建模型1.3.3模型性能评估1.3.4模型性能优化1.4提高模型性能的高级技巧1.4.1数据预处理和特征工程1.4.2用在线算法持续改进模型1.4.3具有数据量和速度的规模化模型1.5总结1.6本章术语第2章实用数据处理2.1起步：数据收集2.1.1应包含哪些特征2.1.2如何获得目标变量的真实值2.1.3需要多少训练数据2.1.4训练集是否有足够的代表性2.2数据预处理2.2.1分类特征2.2.2缺失数据处理2.2.3简单特征工程2.2.4数据规范化2.3数据可视化2.3.1马赛克图2.3.2盒图2.3.3密度图2.3.4散点图2.4总结2.5本章术语第3章建模和预测3.1基础机器学习建模3.1.1寻找输入和目标间的关系3.1.2寻求好模型的目的3.1.3建模方法类型3.1.4有监督和无监督学习3.2分类：把数据预测到桶中3.2.1构建分类器并预测3.2.2非线性数据与复杂分类3.2.3多类别分类3.3回归：预测数值型数据3.3.1构建回归器并预测3.3.2对复杂的非线性数据进行回归3.4总结3.5本章术语第4章模型评估与优化4.1模型泛化：评估新数据的预测准确性4.1.1问题：过度拟合与乐观模型4.1.2解决方案：交叉验证4.1.3交叉验证的注意事项4.2分类模型评估4.2.1分类精度和混淆矩阵4.2.2准确度权衡与ROC曲线4.2.3多类别分类4.3回归模型评估4.3.1使用简单回归性能指标4.3.2检验残差4.4参数调整优化模型4.4.1机器学习算法和它们的调整参数4.4.2网格搜索

Edition details

• Publisher: 机械工业出版社
• Publication date: 2017
• Language: Chinese
• ISBN 10: 7111569229
• ISBN 13: 9787111569220
• Binding: Paperback
• Edition number: 1