Python大規(guī)模機(jī)器學(xué)習(xí)

定　價：￥89.00

作　者：	[荷] 巴斯蒂安·賈丁（Bastiaan Sjardin）著，王貴財劉春明譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能系統(tǒng)與技術(shù)叢書
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111623144	出版時間：	2019-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	299	字?jǐn)?shù)：

內(nèi)容簡介

　　本書不僅介紹大規(guī)模機(jī)器學(xué)習(xí)的基本概念，還包含豐富的案例研究。書中所選皆為*實(shí)用的技術(shù)和工具，而對理論細(xì)節(jié)不進(jìn)行深入討論，旨在提供大規(guī)模機(jī)器學(xué)習(xí)方法（甚至非常規(guī)方法）。不管是初學(xué)者、普通用戶還是專家級用戶，通過本書都能理解并掌握利用Python進(jìn)行大規(guī)模機(jī)器學(xué)習(xí)。為讓讀者快速掌握核心技術(shù)，本書由淺入深講解大量實(shí)例，圖文并茂呈現(xiàn)每一步的操作結(jié)果，幫助讀者更好地掌握大規(guī)模機(jī)器學(xué)習(xí)Python工具。例如：基于Scikit-learn可擴(kuò)展學(xué)習(xí)、 Liblinear和Vowpal Wabbit快速支持向量機(jī)、基于Theano與H2O的大規(guī)模深度學(xué)習(xí)方法、TensorFlow深度學(xué)習(xí)技術(shù)與在線神經(jīng)網(wǎng)絡(luò)方法、大規(guī)模分類和回歸樹的可擴(kuò)展解決方案、大規(guī)模無監(jiān)督學(xué)習(xí)（PCA，聚類分析和主題建模等）擴(kuò)展方法、Hadoop和Spark分布式環(huán)境、Spark機(jī)器學(xué)習(xí)實(shí)踐以及Theano和GPU計算的基礎(chǔ)知識。

作者簡介

　　Bastiaan Sjardin是一位具有人工智能和數(shù)學(xué)背景的數(shù)據(jù)科學(xué)家和公司創(chuàng)始人。他獲得萊頓大學(xué)和麻省理工學(xué)院（MIT）校園課程聯(lián)合培養(yǎng)的認(rèn)知科學(xué)碩士學(xué)位。在過去五年中，他從事過廣泛的數(shù)據(jù)科學(xué)和人工智能項(xiàng)目。他是密歇根大學(xué)社會網(wǎng)絡(luò)分析課程Coursera和約翰斯·霍普金斯大學(xué)機(jī)器學(xué)習(xí)實(shí)踐課程的常客。他擅長Python和R編程語言。目前，他是Quandbee（http：//wwwquandbeecom）的聯(lián)合創(chuàng)始人，該公司主要提供大規(guī)模機(jī)器學(xué)習(xí)和人工智能應(yīng)用。 Luca Massaron是一位數(shù)據(jù)科學(xué)家和市場研究總監(jiān)，擅長多元統(tǒng)計分析、機(jī)器學(xué)習(xí)和客戶洞察力研究，在解決實(shí)際問題和應(yīng)用推理、統(tǒng)計、數(shù)據(jù)挖掘和算法來為用戶創(chuàng)造價值方面有十多年經(jīng)驗(yàn)。從成為意大利網(wǎng)絡(luò)觀眾分析的先驅(qū)，到躋身前十名的Kaggler，他一直對數(shù)據(jù)分析充滿熱情，還向?qū)I(yè)人士和普通大眾展示數(shù)據(jù)驅(qū)動知識發(fā)現(xiàn)的潛力，相比不必要的復(fù)雜性，他更喜歡簡潔。他相信僅僅通過基本操作就可以在數(shù)據(jù)科學(xué)中收獲很多東西。 Alberto Boschetti是一位具有信號處理和統(tǒng)計專業(yè)知識的數(shù)據(jù)科學(xué)家。他獲得電信工程博士學(xué)位，目前在倫敦生活和工作。在其工作項(xiàng)目中，他面臨過從自然語言處理（NLP）和機(jī)器學(xué)習(xí)到分布式處理的挑戰(zhàn)。他在工作中充滿熱情，始終努力了解數(shù)據(jù)科學(xué)的*新發(fā)展，他喜歡參加聚會、會議和其他活動。

圖書目錄

譯者序
前言
作者簡介
審校者簡介
第1章邁向可擴(kuò)展性的第一步1
11詳細(xì)解釋可擴(kuò)展性1
111大規(guī)模實(shí)例3
112介紹Python4
113使用Python進(jìn)行向上擴(kuò)展4
114使用Python進(jìn)行向外擴(kuò)展5
12Python用于大規(guī)模機(jī)器學(xué)習(xí)6
121選擇Python 2還是Python 36
122安裝Python7
123逐步安裝7
124安裝軟件包8
125軟件包升級9
126科學(xué)計算發(fā)行版10
127Jupyter/IPython介紹11
13Python包13
131NumPy14
132SciPy14
133pandas14
134Scikitlearn15
135小結(jié)21
第2章Scikitlearn中的可擴(kuò)展學(xué)習(xí)22
21非核心學(xué)習(xí)22
211選擇子采樣23
212一次優(yōu)化一個實(shí)例24
213構(gòu)建非核心學(xué)習(xí)系統(tǒng)25
22流化源數(shù)據(jù)25
221處理真實(shí)數(shù)據(jù)集26
222第一個示例——流化共享單車數(shù)據(jù)集28
223使用pandas I/O工具30
224使用數(shù)據(jù)庫31
225關(guān)注實(shí)例排序35
23隨機(jī)學(xué)習(xí)37
231批處理梯度下降37
232隨機(jī)梯度下降40
233Scikitlearn的SGD實(shí)現(xiàn)40
234定義SGD學(xué)習(xí)參數(shù)42
24數(shù)據(jù)流的特征管理43
241描述目標(biāo)46
242哈希技巧49
243其他基本變換51
244流測試和驗(yàn)證52
245使用SGD52
25小結(jié)56
第3章實(shí)現(xiàn)快速SVM57
31測試數(shù)據(jù)集58
311共享單車數(shù)據(jù)集58
312森林覆蓋類型數(shù)據(jù)集58
32支持向量機(jī)59
321hinge loss及其變形64
322Scikitlearn的SVM實(shí)現(xiàn)65
323探究通過子采樣改善非線性SVM68
324使用SGD實(shí)現(xiàn)大規(guī)模SVM70
33正則化特征選擇77
34SGD中的非線性78
35超參數(shù)調(diào)整82
36小結(jié)96
第4章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)97
41神經(jīng)網(wǎng)絡(luò)架構(gòu)98
411神經(jīng)網(wǎng)絡(luò)如何學(xué)習(xí)106
412選擇正確的架構(gòu)110
413使用神經(jīng)網(wǎng)絡(luò)111
414sknn并行化111
42神經(jīng)網(wǎng)絡(luò)和正則化113
43神經(jīng)網(wǎng)絡(luò)和超參數(shù)優(yōu)化115
44神經(jīng)網(wǎng)絡(luò)和決策邊界117
45用H2O進(jìn)行規(guī)?；疃葘W(xué)習(xí)120
451用H2O進(jìn)行大規(guī)模深度學(xué)習(xí)121
452H2O上的網(wǎng)格搜索124
46深度學(xué)習(xí)和無監(jiān)督預(yù)訓(xùn)練126
47使用theanets進(jìn)行深度學(xué)習(xí)126
48自動編碼器和無監(jiān)督學(xué)習(xí)128
49小結(jié)131
第5章用TensorFlow進(jìn)行深度學(xué)習(xí)132
51TensorFlow安裝134
52在TensorFlow上使用SkFlow進(jìn)行機(jī)器學(xué)習(xí)140
53安裝Keras和TensorFlow148
54在TensorFlow中通過Keras實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)152
541卷積層153
542池化層153
543全連接層154
55增量CNN方法156
56GPU計算156
57小結(jié)159
第6章大規(guī)模分類和回歸樹160
61bootstrap聚合162
62隨機(jī)森林和極端隨機(jī)森林163
63隨機(jī)搜索實(shí)現(xiàn)快速參數(shù)優(yōu)化167
64CART和boosting172
65XGBoost179
651XGBoost回歸181
652XGBoost流化大型數(shù)據(jù)集184
653XGBoost模型存儲185
66用H2O實(shí)現(xiàn)非核心CART185
661H2O上的隨機(jī)森林和網(wǎng)格搜索186
662H2O上的隨機(jī)梯度增強(qiáng)和網(wǎng)格搜索188
67小結(jié)191
第7章大規(guī)模無監(jiān)督學(xué)習(xí)192
71無監(jiān)督方法192
72特征分解：PCA193
721隨機(jī)化PCA199
722增量PCA200
723稀疏PCA201
73使用H2O的PCA202
74K-均值聚類算法203
741初始化方法206
742K-均值假設(shè)206
743選擇最佳K209
744擴(kuò)展K-均值算法：小批量212
75用H2O實(shí)現(xiàn)K-均值216
76LDA218
77小結(jié)226
第8章分布式環(huán)境——Hadoop和Spark227
81從單機(jī)到集群227
82設(shè)置VM230
821VirtualBox230
822Vagrant232
823使用VM232
83Hadoop生態(tài)系統(tǒng)234
831架構(gòu)234
832HDFS235
833MapReduce242
834YARN250
84Spark250
85小結(jié)260
第9章Spark機(jī)器學(xué)習(xí)實(shí)踐261
91為本章設(shè)置虛擬機(jī)261
92跨集群節(jié)點(diǎn)共享變量262
921廣播只讀變量262
922累加器只寫變量264
923廣播和累加器的示例265
93Spark的數(shù)據(jù)預(yù)處理267
931JSON文件和Spark DataFrame268
932處理缺失數(shù)據(jù)270
933在內(nèi)存中分組和創(chuàng)建表271
934將預(yù)處理的DataFrame或RDD寫入磁盤273
935使用Spark DataFrame274
94Spark機(jī)器學(xué)習(xí)276
941Spark處理KDD99數(shù)據(jù)集277
942讀取數(shù)據(jù)集277
943特征工程280
944訓(xùn)練學(xué)習(xí)器284
945評估學(xué)習(xí)器的表現(xiàn)286
946機(jī)器學(xué)習(xí)管道的威力286
947手動優(yōu)化288
948交叉驗(yàn)證291
95小結(jié)293
附錄介紹GPU和Theano294