實戰(zhàn)機器學習

定　價：￥99.00

作　者：	鮑亮，崔江濤，李倩著
出版社：	清華大學出版社
叢編項：	人工智能技術叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302591214	出版時間：	2021-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	382	字數(shù)：

內(nèi)容簡介

　　隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算等技術的不斷發(fā)展，許多領域都產(chǎn)生了大量的數(shù)據(jù)。利用機器學習技術分析海量數(shù)據(jù)，可以從數(shù)據(jù)中發(fā)現(xiàn)隱含的、有價值的規(guī)律和模式，進而用于預測并采取相應動作。在上述背景下，《實戰(zhàn)機器學習（人工智能技術叢書）》從理論、技術和應用三個層面入手，全面講解如何利用機器學習技術解決實際問題?！秾崙?zhàn)機器學習（人工智能技術叢書）》共分26章，內(nèi)容包括機器學習解決問題流程、問題分析與建模、數(shù)據(jù)探索與準備、特征工程、模型訓練與評價、模型部署與應用、回歸模型、支持向量機、決策樹、集成學習、K近鄰算法、貝葉斯方法、聚類算法、關聯(lián)規(guī)則學習、神經(jīng)網(wǎng)絡基礎、正則化、深度學習中的優(yōu)化、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、自編碼器、基于深度學習的語音分離方法、基于深度學習的圖像去水印方法、基于LSTM的云環(huán)境工作負載預測方法、基于QoS的服務組合問題、基于強化學習的投資組合方法、基于GAN模型的大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化方法?！秾崙?zhàn)機器學習（人工智能技術叢書）》內(nèi)容全面、示例豐富，適合機器學習初學者以及想要全面掌握機器學習技術的算法開發(fā)人員，也適合高等院校和培訓機構人工智能相關專業(yè)的師生教學參考。

作者簡介

　　鮑亮，西安電子科技大學副教授，西安電子科技大學博士。主要研究方向為軟件體系結構、面向服務的計算和云計算等，主持并完成科研課題多項，發(fā)表學術論文20余篇。崔江濤，西安電子科技大學計算機科學與技術學院教授、博士生導師。西安電子科技大學計算機學院博士。2018年入選陜西省高等學校教學名師，2020年入選陜西省特支計劃領軍人才。享受國務院政府特殊津貼，入選第八屆教育部科學技術委員會學部委員。李倩，西安交通大學講師，西安交通大學博士。主要研究方向為行為金融學和組合投資等，主持并完成科研課題多項，發(fā)表學術論文10余篇。

圖書目錄

第1章機器學習解決問題流程
1．1 機器學習基礎
1．1．1 機器學習定義
1．1．2 機器學習流派
1．1．3 機器學習簡史
1．2 機器學習解決實際問題的流程
1．3 機器學習平臺介紹
1．3．1 阿里PAI
1．3．2 第四范式先知（Sage EE）
1．3．3 騰訊智能鈦機器學習（TI-ML）
1．3．4 中科院EasyML
1．3．5 百度機器學習BML
1．3．6 華為AI開發(fā)平臺ModelArts
1．3．7 微軟Azure機器學習服務
1．3．8 谷歌Cloud AutoML平臺
1．3．9 亞馬遜SageMaker“
1．4 本章小結
第2章問題分析與建模
2．1 問題分析
2．1．1 明確和理解問題
2．1．2 拆解和定位問題
2．2 數(shù)據(jù)分析
2．2．1 描述統(tǒng)計分析
2．2．2 相關分析
2．2．3 回歸分析
2．2．4 分類分析
2．2．5 聚類分析
2．3 問題建模
2．4 心臟病UCI數(shù)據(jù)集案例
2．4．1 問題描述
2．4．2 問題分析
2．4．3 數(shù)據(jù)分析
2．4．4 問題建模
2．5 本章小結
第3章數(shù)據(jù)探索與準備
3．1 ETL技術
3．1．1 ETL工作方式
3．1．2 ETL實現(xiàn)模式
3．1．3 ETL發(fā)展歷程
3．1．4 主流ETL工具
3．2 數(shù)據(jù)清洗
3．2．1 數(shù)據(jù)缺失處理
3．2．2 異常值處理
3．3 采樣
3．3．1 拒絕采樣
3．3．2 重要性采樣
3．3．3 馬爾可夫鏈蒙特卡洛采樣
3．4 本章小結
第4章特征工程
4．1 數(shù)據(jù)預處理
4．1．1 特征縮放
4．1．2 特征編碼
4．2 特征選擇
4．2．1 過濾式選擇Filter
4．2．2 包裹式選擇Wrapper
4．2．3 嵌入式選擇Embedded
4．3 降維
4．3．1 主成分分析PCA
4．3．2 線性判別分析
4．4 本章小結
第5章模型訓練與評價
5．1 模型選擇
5．1．1 基礎知識
5．1．2 模型選擇的要素
5．2 模型訓練
5．2．1 留出法
5．2．2 交叉驗證法
……
第6章模型部署與應用
第7章回歸模型
第8章支持向量機
第9章決策樹
第10章集成學習
第11章 K近鄰算法
第12章貝葉斯方法
第13章聚類算法
第14章關聯(lián)規(guī)則學習
第15章神經(jīng)網(wǎng)絡基礎
第16章正則化
第17章深度學習中的優(yōu)化
第18章卷積神經(jīng)網(wǎng)絡
第19章循環(huán)神經(jīng)網(wǎng)絡
第20章自編碼器
第21章基于深度學習的語音分離方法
第22章基于深度學習的圖像去水印方法
第23章基于LSTM的云環(huán)境工作負載預測方法
第24章基于QoS的服務組合問題
第25章基于強化學習的投資組合方法
第26章基于GAN模型的大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化方法
附錄1 名詞及解釋
附錄2 數(shù)據(jù)集
參考文獻