機器學(xué)習(xí)實戰(zhàn)：基于Sophon平臺的機器學(xué)習(xí)理論與實踐

前言
叢書前言
本書編委會
前言
第1章 機器學(xué)習(xí)導(dǎo)論
1.1 什么是機器學(xué)習(xí)
1.1.1 機器學(xué)習(xí)的背景
1.1.2 機器學(xué)習(xí)的定義
1.1.3 機器學(xué)習(xí)的任務(wù)類型
1.1.4 構(gòu)建機器學(xué)習(xí)應(yīng)用的步驟
1.2 開發(fā)機器學(xué)習(xí)工作流的方式
第2章 數(shù)據(jù)預(yù)處理與特征工程
2.1 特征提取
2.1.1 探索性數(shù)據(jù)分析
2.1.2 數(shù)值特征
2.1.3 類別特征
2.1.4 時間特征
2.1.5 文本特征
2.1.6 過濾方法
2.1.7 封裝方法
2.1.8 嵌入方法
2.1.9 自動化特征工程
2.2 交互式數(shù)據(jù)預(yù)處理
2.3 本章小結(jié)
第3章 回歸模型
3.1 回歸任務(wù)概述
3.2 回歸算法原理
3.2.1 線性回歸
3.2.2 決策樹回歸
3.2.3 生存回歸
3.3 Sophon 案例
3.4 本章小結(jié)
第4章 分類
4.1 分類任務(wù)概述
4.2 分類算法原理
4.2.1 邏輯回歸
4.2.2 因子分解機
4.2.3 XGBoost
4.3 使用 Sophon 建立分類模型
4.3.1 場景介紹
4.3.2 建模過程
4.3.3 結(jié)果分析
4.4 本章小結(jié)
第5章 模型融合
5.1 集成學(xué)習(xí)理論
5.1.1 集成學(xué)習(xí)基本概念
5.1.2 個體學(xué)習(xí)器
5.1.3 基學(xué)習(xí)器集成
5.1.4 常用的集成學(xué)習(xí)方法
5.2 常用融合方法
5.2.1 平均法
5.2.2 學(xué)習(xí)法（Stacking 方法）
5.3 使用 Sophon 進行模型融合
5.3.1 場景與數(shù)據(jù)集介紹
5.3.2 建模過程
5.3.3 結(jié)果分析
5.4 本章小結(jié)
第6章 聚類 78
6.1 聚類任務(wù)概述
6.2 聚類算法原理
6.2.1 K-Means
6.2.2 Fuzzy C-Means
6.2.3 Canopy
6.2.4 高斯混合
6.3 聚類模型實例
6.3.1 場景介紹
6.3.2 建模過程
6.3.3 結(jié)果分析
6.4 本章小結(jié)
第7章 圖計算
7.1 背景和問題描述
7.2 常用算法介紹
7.2.1 PageRank
7.2.2 標簽傳播
7.2.3 中心性檢測
7.2.4 圖嵌入
7.3 落地案例
7.3.1 場景介紹
7.3.2 建模過程
7.3.3 結(jié)果分析
7.4 本章小結(jié)
第8章 自動機器學(xué)習(xí)
8.1 場景介紹
8.2 自動化特征工程
8.2.1 自動多表特征擴展
8.2.2 自動特征構(gòu)建
8.3 建模過程
8.4 結(jié)果分析
8.5 真實測試案例
8.5.1 數(shù)據(jù)集
8.5.2 前置設(shè)置
8.5.3 測試結(jié)果分析
8.5.4 Abalone 和 Airfoil Self-Noise 數(shù)據(jù)集的增強測試
8.5.5 小結(jié)
8.6 本章小結(jié)
第9章 自然語言處理
9.1 自然語言處理算法原理
9.1.1 詞向量
9.1.2 序列標注
9.1.3 關(guān)鍵詞抽取
9.1.4 文本自動摘要
9.1.5 文本情感分析
9.2 使用 Sophon 建立自然語言處理模型
9.2.1 場景介紹
9.2.2 建模流程
9.2.3 模型評估
9.3 落地案例
9.4 本章小結(jié)
第10章 計算機視覺
10.1 計算機視覺概述
10.2 計算機視覺算法原理
10.2.1 圖像分類
10.2.2 目標檢測
10.3 計算機視覺模型示例
10.3.1 圖像預(yù)處理
10.3.2 圖像分類算法建模
10.3.3 目標檢測算法建模
10.4 落地案例
10.5 本章小結(jié)
附錄A 企業(yè)級人工智能應(yīng)用平臺Sophon
A.1 產(chǎn)品架構(gòu)
A.2 技術(shù)特點
A.3 組件介紹能
A.4 Sophon Edge 邊緣計算
A.5 Sophon EP 實體畫像
A.6 Sophon KG 知識圖譜
A.7 Sophon CV 圖像分析
A.8 Sophon NLP 自然語言處理
A.9 Sophon Cloud 服務(wù)管理