機器學(xué)習(xí)實踐應(yīng)用

定　價：￥69.00

作　者：	李博著
出版社：	人民郵電出版社
叢編項：
標(biāo)　簽：	計算機?網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787115460417	出版時間：	2017-07-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度等多門學(xué)科，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為。機器學(xué)習(xí)是人工智能的核心，是使計算機具有智能的根本途徑?！”緯ㄟ^對機器學(xué)習(xí)的背景知識、算法流程、相關(guān)工具、實踐案例以及知識圖譜等內(nèi)容的講解，全面介紹了機器學(xué)習(xí)的理論基礎(chǔ)和實踐應(yīng)用。書中涉及機器學(xué)習(xí)領(lǐng)域的多個典型算法，并詳細給出了機器學(xué)習(xí)的算法流程?！”緯m合任何有一定數(shù)據(jù)功底和編程基礎(chǔ)的讀者閱讀。通過閱讀本書，讀者不僅可以了解機器學(xué)習(xí)的理論基礎(chǔ)，也可以參照一些典型的應(yīng)用案例拓展自己的專業(yè)技能。同時，本書也適合計算機相關(guān)專業(yè)的學(xué)生以及對人工智能和機器學(xué)習(xí)感興趣的讀者閱讀。

作者簡介

　　李博，花名“傲?！薄Ｄ壳叭伟⒗镌茢?shù)據(jù)產(chǎn)品經(jīng)理，主要負責(zé)機器學(xué)習(xí)平臺的產(chǎn)品化建設(shè)以及對外業(yè)務(wù)應(yīng)用。本科、碩士畢業(yè)于北京郵電大學(xué)，曾就職于索尼和華為（實習(xí)），從事數(shù)據(jù)相關(guān)產(chǎn)品的開發(fā)。作為CSDN博客專家、云棲社區(qū)博客專家，長期分享IT技術(shù)相關(guān)文章，內(nèi)容涉及機器學(xué)習(xí)算法、Android應(yīng)用及源碼開發(fā)等領(lǐng)域。一直活躍于開發(fā)者社區(qū)，主導(dǎo)開發(fā)了多個GitHub百星開源項目，還開發(fā)并上線了多款手機App。作者微信公眾號（長期更新機器學(xué)習(xí)業(yè)務(wù)應(yīng)用文章）：凡人機器學(xué)習(xí) 個人網(wǎng)站：www.garvinli.com 作者郵箱：garvin.libo@gmail.com

圖書目錄

第1部分背景知識
第1章機器學(xué)習(xí)概述 3
1.1 背景 3
1.2 發(fā)展現(xiàn)狀 6
1.2.1 數(shù)據(jù)現(xiàn)狀 6
1.2.2 機器學(xué)習(xí)算法現(xiàn)狀 8
1.3 機器學(xué)習(xí)基本概念 12
1.3.1 機器學(xué)習(xí)流程 12
1.3.2 數(shù)據(jù)源結(jié)構(gòu) 14
1.3.3 算法分類 16
1.3.4 過擬合問題 18
1.3.5 結(jié)果評估 20
1.4 本章小結(jié) 22
第2部分算法流程
第2章場景解析 25
2.1 數(shù)據(jù)探查 25
2.2 場景抽象 27
2.3 算法選擇 29
2.4 本章小結(jié) 31
第3章數(shù)據(jù)預(yù)處理 32
3.1 采樣 32
3.1.1 隨機采樣 32
3.1.2 系統(tǒng)采樣 34
3.1.3 分層采樣 35
3.2 歸一化 36
3.3 去除噪聲 39
3.4 數(shù)據(jù)過濾 42
3.5 本章小結(jié) 43
第4章特征工程 44
4.1 特征抽象 44
4.2 特征重要性評估 49
4.3 特征衍生 53
4.4 特征降維 57
4.4.1 特征降維的基本概念 57
4.4.2 主成分分析 59
4.5 本章小結(jié) 62
第5章機器學(xué)習(xí)算法——常規(guī)算法 63
5.1 分類算法 63
5.1.1 K近鄰 63
5.1.2 樸素貝葉斯 68
5.1.3 邏輯回歸 74
5.1.4 支持向量機 81
5.1.5 隨機森林 87
5.2 聚類算法 94
5.2.1 K-means 97
5.2.2 DBSCAN 103
5.3 回歸算法 109
5.4 文本分析算法 112
5.4.1 分詞算法——Hmm 112
5.4.2 TF-IDF 118
5.4.3 LDA 122
5.5 推薦類算法 127
5.6 關(guān)系圖算法 133
5.6.1 標(biāo)簽傳播 134
5.6.2 Dijkstra最短路徑 138
5.7 本章小結(jié) 145
第6章機器學(xué)習(xí)算法——深度學(xué)習(xí) 146
6.1 深度學(xué)習(xí)概述 146
6.1.1 深度學(xué)習(xí)的發(fā)展 147
6.1.2 深度學(xué)習(xí)算法與傳統(tǒng)
算法的比較 148
6.2 深度學(xué)習(xí)的常見結(jié)構(gòu) 152
6.2.1 深度神經(jīng)網(wǎng)絡(luò) 152
6.2.2 卷積神經(jīng)網(wǎng)絡(luò) 153
6.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 156
6.3 本章小結(jié) 157
第3部分工具介紹
第7章常見機器學(xué)習(xí)工具介紹 161
7.1 概述 161
7.2 單機版機器學(xué)習(xí)工具 163
7.2.1 SPSS 163
7.2.2 R語言 167
7.2.3 工具對比 172
7.3 開源分布式機器學(xué)習(xí)工具 172
7.3.1 Spark MLib 172
7.3.2 TensorFlow 179
7.4 企業(yè)級云機器學(xué)習(xí)工具 190
7.4.1 亞馬遜AWS ML 191
7.4.2 阿里云機器學(xué)習(xí)PAI 196
7.5 本章小結(jié) 205
第4部分實戰(zhàn)應(yīng)用
第8章業(yè)務(wù)解決方案 209
8.1 心臟病預(yù)測 209
8.1.1 場景解析 209
8.1.2 實驗搭建 211
8.1.3 小結(jié) 216
8.2 商品推薦系統(tǒng) 216
8.2.1 場景解析 217
8.2.2 實驗搭建 218
8.2.3 小結(jié) 220
8.3 金融風(fēng)控案例 220
8.3.1 場景解析 221
8.3.2 實驗搭建 222
8.3.3 小結(jié) 225
8.4 新聞文本分析 225
8.4.1 場景解析 225
8.4.2 實驗搭建 226
8.4.3 小結(jié) 230
8.5 農(nóng)業(yè)貸款發(fā)放預(yù)測 230
8.5.1 場景解析 230
8.5.2 實驗搭建 232
8.5.3 小結(jié) 236
8.6 霧霾天氣成因分析 236
8.6.1 場景解析 237
8.6.2 實驗搭建 238
8.6.3 小結(jié) 243
8.7 圖片識別 243
8.7.1 場景解析 243
8.7.2 實驗搭建 245
8.7.3 小結(jié) 253
8.8 本章小結(jié) 253
第5部分知識圖譜
第9章知識圖譜 257
9.1 未來數(shù)據(jù)采集 257
9.2 知識圖譜的概述 259
9.3 知識圖譜開源
工具 261
9.4 本章小結(jié) 264
參考文獻 265