《实用机器学习》.pdf [177M]

  • A+
所属分类:电子书

《实用机器学习》.pdf [177M]

内容简介 · · · · · ·

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。

作者简介 · · · · · ·

HenrikBrink(亨里克·布林克)是一名数据科学家,对应用机器学习进行工业和学术应用开发有着丰富的经验。

JosephRichards(约瑟夫W理查兹)也是一位数据科学家,具有应用统计和预测分析方面的专业知识。Henrik和Joseph是Wise.io的联合创立者,Wise.io是一家提供工业机器学习解决方案的开发商。

MarkFetherolf(马克·弗特罗夫)是数据管理和预测分析公司NuminaryDataScience的创始人和总裁。他曾在社会科学研究、化学工程、信息系统性能、容量规划、有线电视和在线广告应用等方面担任统计师和分析数据库开发人员。

目录 · · · · · ·

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

4.5总结

4.6本章术语

第5章基础特征工程

5.1动机:为什么特征工程很有用

5.1.1什么是特征工程

5.1.2使用特征工程的5个原因

5.1.3特征工程与领域专业知识

5.2基本特征工程过程

5.2.1实例:事件推荐

5.2.2处理日期和时间特征

5.2.3处理简单文本特征

5.3特征选择

5.3.1前向选择和反向消除

5.3.2数据探索的特征选择

5.3.3实用特征选择实例

5.4总结

5.5本章术语

第2部分实 际 应 用

第6章案例:NYC出租车数据

6.1数据:NYC出租车旅程和收费信息

6.1.1数据可视化

6.1.2定义问题并准备数据

6.2建模

6.2.1基本线性模型

6.2.2非线性分类器

6.2.3包含分类特征

6.2.4包含日期-时间特征

6.2.5模型的启示

6.3总结

6.4本章术语

第7章高级特征工程

7.1高级文本特征

7.1.1词袋模型

7.1.2主题建模

7.1.3内容拓展

7.2图像特征

7.2.1简单图像特征

7.2.2提取物体和形状

7.3时间序列特征

7.3.1时间序列数据的类型

7.3.2时间序列数据的预测

7.3.3经典时间序列特征

7.3.4事件流的特征工程

7.4总结

7.5本章术语

第8章NLP高级案例:电影评论情感预测

8.1研究数据和应用场景

8.1.1数据集初探

8.1.2检查数据

8.1.3应用场景有哪些

8.2提取基本NLP特征并构建初始模型

8.2.1词袋特征

8.2.2用朴素贝叶斯算法构建模型

8.2.3tf-idf算法规范词袋特征

8.2.4优化模型参数

8.3高级算法和模型部署的考虑

8.3.1word2vec特征

8.3.2随机森林模型

8.4总结

8.5本章术语

第9章扩展机器学习流程

9.1扩展前需考虑的问题

9.1.1识别关键点

9.1.2选取训练数据子样本代替扩展性

9.1.3可扩展的数据管理系统

9.2机器学习建模流程扩展

9.3预测扩展

9.3.1预测容量扩展

9.3.2预测速度扩展

9.4总结

9.5本章术语

第10章案例:数字显示广告

10.1显示广告

10.2数字广告数据

10.3特征工程和建模策略

10.4数据大小和形状

10.5奇异值分解

10.6资源估计和优化

10.7建模

10.8K近邻算法

10.9随机森林算法

10.10其他实用考虑

10.11总结

10.12本章术语

10.13摘要和结论

附录常用机器学习算法

名词术语中英文对照

 

文件下载 资源名称:《实用机器学习》.pdf [177M]
下载地址

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: