實(shí)用機(jī)器學(xué)習(xí)

定　價(jià)：￥79.00

作　者：	蘇尼拉·格拉普蒂（Sunila Gollapudi）著，張世武譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	數(shù)據(jù)科學(xué)與工程技術(shù)叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111598886	出版時(shí)間：	2018-06-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	267	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)探索了一系列廣泛應(yīng)用的機(jī)器學(xué)習(xí)技術(shù)，用實(shí)際例子揭示了常見(jiàn)數(shù)據(jù)中隱藏的處理技巧和竅門(mén)。本書(shū)還探討了機(jī)器學(xué)習(xí)的前沿進(jìn)展，提供了一些關(guān)于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的范例和指導(dǎo)原則，完美演繹了實(shí)操過(guò)程及算法原理。本書(shū)的目標(biāo)讀者為那些想了解機(jī)器學(xué)習(xí)實(shí)踐通過(guò)機(jī)器學(xué)習(xí)技術(shù)解決現(xiàn)實(shí)應(yīng)用的數(shù)據(jù)科學(xué)家。

作者簡(jiǎn)介

　　關(guān) 于作者Sunila Gollapudi 擔(dān)任Broadridge金融解決方案（印度）有限公司的技術(shù)副總裁。該公司是美國(guó)Broadridge金融解決方案公司的全資子公司（BR）。她在IT服務(wù)領(lǐng)域擁有14年的豐富實(shí)踐經(jīng)驗(yàn)。她目前負(fù)責(zé)印度卓越架構(gòu)中心，是大數(shù)據(jù)和數(shù)據(jù)科學(xué)計(jì)劃的領(lǐng)軍人物。加入Broadridge之前，她在全球性領(lǐng)先機(jī)構(gòu)擔(dān)任重要職位，專門(mén)從事Java、分布式架構(gòu)、大數(shù)據(jù)技術(shù)、高級(jí)分析、機(jī)器學(xué)習(xí)、語(yǔ)義技術(shù)和數(shù)據(jù)集成工具等領(lǐng)域的研發(fā)工作。Sunila是Broadridge在全球技術(shù)領(lǐng)導(dǎo)和創(chuàng)新論壇的理事，近在IEEE的工作是研究語(yǔ)義技術(shù)及其在業(yè)務(wù)數(shù)據(jù)湖中的作用。全球科技領(lǐng)域瞬息萬(wàn)變，新的技術(shù)層出不窮，Sunila的個(gè)人優(yōu)勢(shì)在于其密切關(guān)注并持續(xù)跟進(jìn)全球科技，統(tǒng)上領(lǐng)下，串聯(lián)前后，實(shí)現(xiàn)業(yè)務(wù)交付的具體架構(gòu)方案。她從計(jì)算機(jī)科學(xué)專業(yè)研究生畢業(yè)后的一本出版著作是關(guān)于大數(shù)據(jù)數(shù)據(jù)倉(cāng)庫(kù)解決方案Greenplum的，書(shū)名為《Getting Started with Greenplum for Big Data Analytics》（Packt出版社）。她有自己的孩子和家庭，此外她是一名享譽(yù)國(guó)內(nèi)外的印度古典舞蹈家，還是一位畫(huà)家。致謝首先，我要向Broadridge金融解決方案（印度）有限公司致以誠(chéng)摯的謝意，感謝他們?yōu)槲姨峁┝艘粋€(gè)追求技術(shù)的平臺(tái)。衷心感謝我的導(dǎo)師和公司董事總經(jīng)理Laxmikanth V對(duì)我一如繼往的支持，并撰寫(xiě)了推薦序。感謝國(guó)際工程學(xué)院（INSOFE）總裁Dakshinamurthy Kolluru博士發(fā)現(xiàn)了我對(duì)機(jī)器學(xué)習(xí)的熱情。此外，還要感謝我的企業(yè)架構(gòu)導(dǎo)師、Canopus咨詢公司創(chuàng)始人兼首席架構(gòu)師Nagaraju Pappu先生。在此要特別感謝Packt出版社給我這個(gè)著書(shū)立作的機(jī)會(huì)，以及在本書(shū)的出版發(fā)行中提供的全程支持。這是我們合作出版的第二本書(shū)，能與極富專業(yè)精神的出版界人士和評(píng)審專家合作讓我倍感榮幸。感謝我的丈夫、家人和朋友一如既往的支持。我愧對(duì)的是可愛(ài)懂事的女兒Sai Nikita，在本書(shū)的編寫(xiě)過(guò)程中她和我一樣心懷喜悅，但愿每天能有超過(guò)24小時(shí)陪她一起度過(guò)！后，拙作獻(xiàn)給技術(shù)領(lǐng)域所有不安分守己的大腦，是他們不懈追求，創(chuàng)新進(jìn)取，才讓人們的生活更加美好，更加精彩紛呈。

圖書(shū)目錄

目錄

推薦序

推薦序二

譯者序

前言

關(guān)于作者

關(guān)于審校者

第1章機(jī)器學(xué)習(xí)簡(jiǎn)介

1.1機(jī)器學(xué)習(xí)

1.1.1定義

1.1.2核心概念與術(shù)語(yǔ)

1.1.3什么是學(xué)習(xí)

1.1.4機(jī)器學(xué)習(xí)中的數(shù)據(jù)不一致性

1.1.5機(jī)器學(xué)習(xí)實(shí)踐范例

1.1.6機(jī)器學(xué)習(xí)問(wèn)題類(lèi)型

1.2性能度量

1.3機(jī)器學(xué)習(xí)的相關(guān)領(lǐng)域

1.3.1數(shù)據(jù)挖掘

1.3.2人工智能

1.3.3統(tǒng)計(jì)學(xué)習(xí)

1.3.4數(shù)據(jù)科學(xué)

1.4機(jī)器學(xué)習(xí)處理流程及解決方案架構(gòu)

1.5機(jī)器學(xué)習(xí)算法

1.5.1基于決策樹(shù)的算法

1.5.2基于貝葉斯的算法

1.5.3基于核方法的算法

1.5.4聚類(lèi)算法

1.5.5人工神經(jīng)網(wǎng)絡(luò)

1.5.6降維方法

1.5.7集成方法

1.5.8基于實(shí)例的算法

1.5.9基于回歸分析的算法

1.5.10基于關(guān)聯(lián)規(guī)則的算法

1.6機(jī)器學(xué)習(xí)工具與框架

1.7小結(jié)

第2章機(jī)器學(xué)習(xí)和大規(guī)模數(shù)據(jù)集

2.1大數(shù)據(jù)和大規(guī)模機(jī)器學(xué)習(xí)

2.1.1功能與架構(gòu)：方法論的失配

2.1.2機(jī)器學(xué)習(xí)的可擴(kuò)展性和性能

2.1.3模型選擇過(guò)程

2.1.4大規(guī)模機(jī)器學(xué)習(xí)的潛在問(wèn)題

2.2算法和并發(fā)

2.3垂直擴(kuò)展的機(jī)器學(xué)習(xí)技術(shù)方案

2.3.1MapReduce編程架構(gòu)

2.3.2利用消息傳遞接口進(jìn)行高性能計(jì)算

2.3.3LINQ框架

2.3.4使用LINQ操作數(shù)據(jù)集

2.3.5GPU

2.3.6FPGA

2.3.7多核或多處理器系統(tǒng)

2.4小結(jié)

第3章Hadoop架構(gòu)和生態(tài)系統(tǒng)簡(jiǎn)介

3.1Apache Hadoop簡(jiǎn)介

3.1.1Hadoop的演化

3.1.2Hadoop及其核心要素

3.2基于Hadoop的大數(shù)據(jù)機(jī)器學(xué)習(xí)解決方案架構(gòu)

3.2.1數(shù)據(jù)源層

3.2.2數(shù)據(jù)攝入層

3.2.3Hadoop數(shù)據(jù)存儲(chǔ)層

3.2.4Hadoop基礎(chǔ)設(shè)施層

3.2.5Hadoop平臺(tái)/處理層

3.2.6分析層

3.2.7數(shù)據(jù)消費(fèi)層

3.2.8MapReduce

3.3Hadoop 2.x

3.3.1Hadoop生態(tài)系統(tǒng)組件

3.3.2Hadoop安裝和配置

3.3.3Hadoop發(fā)行版和供應(yīng)商

3.4小結(jié)

第4章機(jī)器學(xué)習(xí)工具、庫(kù)及框架

4.1機(jī)器學(xué)習(xí)工具概覽

4.2Apache Mahout

4.2.1Mahout如何工作

4.2.2安裝和設(shè)置Apache Mahout

4.2.3Mahout軟件包詳解

4.2.4Mahout中的vector實(shí)現(xiàn)

4.3R

4.3.1安裝和設(shè)置R

4.3.2R與Apache Hadoop集成

4.4Julia

4.4.1安裝和設(shè)置Julia

4.4.2在命令行中執(zhí)行Julia程序

4.4.3例解Julia

4.4.4變量與賦值

4.4.5使用Julia的好處

4.4.6Julia與Hadoop集成

4.5Python

4.5.1Python中工具包的選擇

4.5.2例解Python

4.6Apache Spark

4.6.1Scala

4.6.2RDD編程

4.7Spring XD

4.8小結(jié)

第5章基于決策樹(shù)的學(xué)習(xí)

5.1決策樹(shù)

5.1.1術(shù)語(yǔ)

5.1.2目標(biāo)與用途

5.1.3構(gòu)造決策樹(shù)

5.1.4特殊的決策樹(shù)

5.2實(shí)現(xiàn)決策樹(shù)

5.3小結(jié)

第6章基于實(shí)例和核方法的學(xué)習(xí)

6.1基于實(shí)例的學(xué)習(xí)

6.1.1最近鄰

6.1.2實(shí)現(xiàn)kNN

6.2基于核方法的學(xué)習(xí)

6.2.1核函數(shù)

6.2.2支持向量機(jī)

6.2.3實(shí)現(xiàn)SVM

6.3小結(jié)

第7章關(guān)聯(lián)規(guī)則學(xué)習(xí)

7.1關(guān)聯(lián)規(guī)則學(xué)習(xí)

7.1.1關(guān)聯(lián)規(guī)則的定義

7.1.2Apriori算法

7.1.3FPgrowth算法

7.1.4Apriori與FPgrowth

7.2實(shí)現(xiàn)Apriori及FPgrowth算法

7.3小結(jié)

第8章聚類(lèi)學(xué)習(xí)

8.1聚類(lèi)學(xué)習(xí)

8.2聚類(lèi)的類(lèi)型

8.2.1層次聚類(lèi)

8.2.2劃分式聚類(lèi)

8.3kmeans聚類(lèi)算法

8.3.1kmeans算法的收斂性

8.3.2kmeans算法的優(yōu)點(diǎn)

8.3.3kmeans算法的缺點(diǎn)

8.3.4距離度量

8.3.5復(fù)雜度度量

8.4實(shí)現(xiàn)kmeans聚類(lèi)

8.5小結(jié)

第9章貝葉斯學(xué)習(xí)

9.1貝葉斯學(xué)習(xí)

9.1.1統(tǒng)計(jì)學(xué)家的視角

9.1.2貝葉斯定理

9.1.3樸素貝葉斯分類(lèi)器

9.2實(shí)現(xiàn)樸素貝葉斯算法

9.3小結(jié)

第10章基于回歸的學(xué)習(xí)

10.1回歸分析

10.1.1重溫統(tǒng)計(jì)學(xué)

10.1.2混雜

10.1.3效應(yīng)修飾

10.2回歸方法

10.2.1簡(jiǎn)單線性回歸

10.2.2多元線性回歸

10.2.3多項(xiàng)式回歸

10.2.4廣義線性模型

10.2.5邏輯回歸（logit連接)

10.2.6泊松回歸

10.3實(shí)現(xiàn)線性回歸和邏輯回歸

10.4小結(jié)

第11章深度學(xué)習(xí)

11.1背景知識(shí)

11.1.1人類(lèi)大腦結(jié)構(gòu)

11.1.2神經(jīng)網(wǎng)絡(luò)

11.1.3反向傳播算法

11.1.4Softmax回歸算法

11.2深度學(xué)習(xí)類(lèi)型

11.2.1卷積神經(jīng)網(wǎng)絡(luò)

11.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)

11.2.3受限玻爾茲曼機(jī)

11.2.4深度玻爾茲曼機(jī)

11.2.5自動(dòng)編碼器

11.3實(shí)現(xiàn)ANN和深度學(xué)習(xí)方法

11.4小結(jié)

第12章強(qiáng)化學(xué)習(xí)

12.1強(qiáng)化學(xué)習(xí)

12.1.1強(qiáng)化學(xué)習(xí)的背景知識(shí)

12.1.2強(qiáng)化學(xué)習(xí)的主要特點(diǎn)

12.2強(qiáng)化學(xué)習(xí)算法

12.2.1動(dòng)態(tài)規(guī)劃

12.2.2蒙特卡羅方法

12.2.3時(shí)序差分學(xué)習(xí)

12.2.4Qlearning（異策略TD）

12.2.5actorcritic方法(同策略)

12.2.6Rlearning（異策略）

12.3實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)方法

12.4小結(jié)

第13章集成學(xué)習(xí)

13.1集成學(xué)習(xí)方法

13.1.1群體智慧

13.1.2經(jīng)典應(yīng)用

13.1.3集成方法

13.2實(shí)現(xiàn)集成學(xué)習(xí)方法

13.3小結(jié)

第14章下一代機(jī)器學(xué)習(xí)數(shù)據(jù)架構(gòu)

14.1數(shù)據(jù)架構(gòu)的演進(jìn)

14.2機(jī)器學(xué)習(xí)的現(xiàn)代數(shù)據(jù)架構(gòu)

14.2.1語(yǔ)義數(shù)據(jù)架構(gòu)

14.2.2多模型數(shù)據(jù)庫(kù)架構(gòu)/混合持久化

14.2.3Lambda架構(gòu)

14.3小結(jié)