機器學習實踐應(yīng)用

第1部分 背景知識
第1章 機器學習概述 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 機器學習算法現(xiàn)狀 8
1.3 機器學習基本概念 12
1.3.1 機器學習流程 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 機器學習算法——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 機器學習算法——深度學習 146
6.1 深度學習概述 146
6.1.1 深度學習的發(fā)展 147
6.1.2 深度學習算法與傳統(tǒng)
算法的比較 148
6.2 深度學習的常見結(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 常見機器學習工具介紹 161
7.1 概述 161
7.2 單機版機器學習工具 163
7.2.1 SPSS 163
7.2.2 R語言 167
7.2.3 工具對比 172
7.3 開源分布式機器學習工具 172
7.3.1 Spark MLib 172
7.3.2 TensorFlow 179
7.4 企業(yè)級云機器學習工具 190
7.4.1 亞馬遜AWS ML 191
7.4.2 阿里云機器學習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