基于H2O的機(jī)器學(xué)習(xí)實(shí)用方法：一種強(qiáng)大的可擴(kuò)展的人工智能和深度學(xué)習(xí)技術(shù)

定　價(jià)：￥69.00

作　者：	Darren Cook 著，連曉峰譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	深度學(xué)習(xí)系列
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥69.00)

ISBN：	9787111600510	出版時(shí)間：	2018-07-01	包裝：	平裝
開本：	16開	頁數(shù)：	207	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《基于H2O的機(jī)器學(xué)習(xí)實(shí)用方法：一種強(qiáng)大的可擴(kuò)展的人工智能和深度學(xué)習(xí)技術(shù)》主要介紹了H2O的基本概念和應(yīng)用。全書共11章，首先介紹了H2O在R和Python下的安裝和啟動(dòng)、數(shù)據(jù)導(dǎo)入/導(dǎo)出和操作以及本書所用的三種不同示例數(shù)據(jù)集和常用的模型參數(shù)。然后分別介紹了隨機(jī)森林、梯度推進(jìn)機(jī)、線性模型、深度學(xué)習(xí)和無監(jiān)督式學(xué)習(xí)等算法在三種不同數(shù)據(jù)集中的應(yīng)用，分析對(duì)比了默認(rèn)算法和改進(jìn)算法的性能。另外，還討論了相關(guān)其他內(nèi)容。

作者簡(jiǎn)介

　　Darren Cook是一名具有20多年經(jīng)驗(yàn)的軟件開發(fā)師、數(shù)據(jù)分析師和技術(shù)總監(jiān)，從事從金融交易系統(tǒng)到自然語言處理、數(shù)據(jù)可視化工具以及為一些全球大品牌制作網(wǎng)站等各類相關(guān)工作。他精通各種計(jì)算機(jī)編程語言，包括R、C++、PHP、JavaScript和Python。他在QQ Trend公司工作，這是一家金融數(shù)據(jù)分析和數(shù)據(jù)產(chǎn)品公司。連曉峰，已發(fā)表學(xué)術(shù)論文40余篇，其中被EI收錄20余篇；主持項(xiàng)目子課題兩項(xiàng)，省部級(jí)項(xiàng)目三項(xiàng)，校級(jí)項(xiàng)目?jī)身?xiàng)，參與完成項(xiàng)目四項(xiàng)，省部級(jí)項(xiàng)目六項(xiàng)；出版教材兩部，專著兩部，譯著四十部；獲得國(guó)家發(fā)明專利兩項(xiàng)，實(shí)用新型專利一項(xiàng)；現(xiàn)為中國(guó)電子學(xué)會(huì)高級(jí)會(huì)員，系統(tǒng)仿真學(xué)會(huì)會(huì)員，北京高新技術(shù)企業(yè)認(rèn)定委員會(huì)專家?guī)鞂＜遥稒C(jī)器人技術(shù)與應(yīng)用》雜志社理事，國(guó)家工信部工業(yè)和信息化科技人才專家?guī)鞂＜摇?/div>

圖書目錄

譯者序
原書前言
第 1章安裝和快速啟動(dòng) \\\\ 1
1.1　安裝準(zhǔn)備 \\\\ 1
1.1.1 安裝 R \\\\ 1
1.1.2 安裝 Python \\\\ 2
1.1.3 隱私保護(hù) \\\\ 2
1.1.4 安裝 Java \\\\ 2
1.2 利用 R（CRAN）安裝 H2O \\\\ 3
1.3 利用 Python（pip）安裝 H2O \\\\ 4
1.4 第一個(gè)學(xué)習(xí)示例 \\\\ 5
1.4.1 利用 Python進(jìn)行訓(xùn)練和預(yù)測(cè) \\\\ 8
1.4.2 利用 R進(jìn)行訓(xùn)練和預(yù)測(cè) \\\\ 10
1.4.3 性能與預(yù)測(cè) \\\\ 12
1.4.4 運(yùn)氣不佳 \\\\ 13
1.5 Flow \\\\ 13
1.5.1 數(shù)據(jù) \\\\ 14
1.5.2 模型 \\\\ 16
1.5.3 預(yù)測(cè) \\\\ 17
1.5.4 Flow中的其他注意事項(xiàng) \\\\ 18
1.6 小結(jié) \\\\ 18
第2章數(shù)據(jù)導(dǎo)入/數(shù)據(jù)導(dǎo)出\\\\19
2.1 存儲(chǔ)空間要求 \\\\ 19
2.2 數(shù)據(jù)準(zhǔn)備 \\\\ 20
2.3 數(shù)據(jù)導(dǎo)入到 H2O \\\\ 21
2.3.1 加載 csv文件 \\\\ 21
2.3.2 加載其他格式文件 \\\\ 23
2.3.3 從 R中直接加載 \\\\ 23
2.3.4 從 Python中直接加載 \\\\ 25
2.4 數(shù)據(jù)操作 \\\\ 26
2.4.1 懶操作、命名和刪除 \\\\ 26
2.4.2 數(shù)據(jù)匯總 \\\\ 27
2.4.3 列操作 \\\\ 28
2.4.4 行聚合 \\\\ 29
2.4.5 索引 \\\\ 30
2.4.6 H2O中的數(shù)據(jù)拆分 \\\\ 31
2.4.7 行和列 \\\\ 35
2.5 數(shù)據(jù)從 H2O中導(dǎo)出 \\\\ 38
2.5.1 導(dǎo)出數(shù)據(jù)幀 \\\\ 38
2.5.2 POJO \\\\ 39
2.5.3 模型文件 \\\\ 40
2.5.4 保存所有模型 \\\\ 40
2.6 小結(jié) \\\\ 41
第３章數(shù)據(jù)集 \\\\ 42
3.1 數(shù)據(jù)集：建筑節(jié)能 \\\\ 42
3.1.1 設(shè)置和加載 \\\\ 43
3.1.2 數(shù)據(jù)列 \\\\ 44
3.1.3 拆分?jǐn)?shù)據(jù) \\\\ 45
3.1.4 觀察 \\\\ 46
3.1.5 關(guān)于數(shù)據(jù)集 \\\\ 50
3.2 數(shù)據(jù)集：手寫體 \\\\ 50
3.2.1 設(shè)置和加載 \\\\ 51
3.2.2 觀察 \\\\ 52
3.2.3 幫助建模 \\\\ 54
3.2.4 關(guān)于數(shù)據(jù)集 \\\\ 55 5.4 建筑節(jié)能：默認(rèn)的隨機(jī)森林 \\\\ 91
3.3 數(shù)據(jù)集：足球比分 \\\\ 56
3.3.1 相關(guān)性 \\\\ 59
3.3.2 缺失數(shù)據(jù).更多列 \\\\ 62
3.3.3 如何訓(xùn)練和測(cè)試？ \\\\ 63
3.3.4 設(shè)置和加載 \\\\ 63
3.3.5 其他第三方 \\\\ 64
3.3.6 缺失數(shù)據(jù)（再次）\\\\ 67
3.3.7 設(shè)置和加載（再次）\\\\ 67
3.3.8 關(guān)于數(shù)據(jù)集 \\\\ 70
3.4 小結(jié) \\\\ 70
第 4章常用模型參數(shù) \\\\ 71
4.1 支持測(cè)度 \\\\ 71
4.1.1 回歸指數(shù) \\\\ 72
4.1.2 分類指數(shù) \\\\ 72
4.1.3 二項(xiàng)式分類 \\\\ 73
4.2 要素 \\\\ 75
4.3 努力 \\\\ 76
4.4 評(píng)分和驗(yàn)證 \\\\ 76
4.5 提前終止 \\\\ 77
4.6 檢查點(diǎn) \\\\ 79
4.7 交叉驗(yàn)證（又名 k-folds）\\\\ 81
4.8 數(shù)據(jù)加權(quán) \\\\ 82
4.9 抽樣、歸納 \\\\ 84
4.10 回歸 \\\\ 85
4.11 輸出控制 \\\\ 87
4.12 小結(jié) \\\\ 87
第5章隨機(jī)森林\\\\88
5.1 決策樹 \\\\ 88
5.2 隨機(jī)森林 \\\\ 89
5.3 參數(shù) \\\\ 89 5.5 網(wǎng)格搜索 \\\\ 93
5.5.1 笛卡爾 \\\\ 94
5.5.2 隨機(jī)離散 \\\\ 96
5.5.3 高層策略 \\\\ 98
5.6 建筑節(jié)能：改進(jìn)的隨機(jī)森林 \\\\ 99
5.7 MNIST：默認(rèn)的隨機(jī)森林 \\\\ 101
5.8 MNIST：改進(jìn)的隨機(jī)森林 \\\\ 102
5.8.1 增強(qiáng)數(shù)據(jù) \\\\ 105
5.9 足球比賽：默認(rèn)的隨機(jī)森林 \\\\ 106
5.10 足球比賽：改進(jìn)的隨機(jī)森林 \\\\ 108
5.11 小結(jié) \\\\ 110
第 6章梯度推進(jìn)機(jī) // 111
6.1 推進(jìn) // 111
6.2 好處、壞處和…神秘之處 // 112
6.3 參數(shù) // 113
6.4 建筑節(jié)能：默認(rèn) GBM // 114
6.5 建筑節(jié)能：改進(jìn) GBM // 115
6.6 MNIST：默認(rèn) GBM // 119
6.7 MNIST：改進(jìn) GBM // 120
6.8 足球比賽：默認(rèn) GBM // 122
6.9 足球比賽：改進(jìn) GBM // 123
6.10 小結(jié) // 125
第 7章線性模型 // 126
7.1 GLM參數(shù) // 126
7.2 建筑節(jié)能：默認(rèn) GLM // 130
7.3 建筑節(jié)能：改進(jìn) GLM // 132
7.4 MNIST：默認(rèn) GLM // 136
7.5 MNIST：改進(jìn) GLM // 137
7.6 足球比賽：默認(rèn) GLM // 139
7.7 足球比賽：改進(jìn) GLM // 141
7.8 小結(jié) // 142
第 8章深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）// 143
8.1 什么是神經(jīng)網(wǎng)絡(luò)？ // 143
8.1.1 數(shù)值與分類 // 145
8.1.2 神經(jīng)網(wǎng)絡(luò)層 // 146
8.1.3 激活函數(shù) // 147
8.2 參數(shù) // 148
8.2.1 深度學(xué)習(xí)正則化 // 148
8.2.2 深度學(xué)習(xí)評(píng)分 // 149
8.3 建筑節(jié)能：默認(rèn)的深度學(xué)習(xí) // 152
8.4 建筑節(jié)能：改進(jìn)的深度學(xué)習(xí) // 153
8.5 MNIST：默認(rèn)的深度學(xué)習(xí) // 157
8.6 MNIST：改進(jìn)的深度學(xué)習(xí) // 159
8.7 足球比賽：默認(rèn)的深度學(xué)習(xí) // 163
8.8 足球比賽：改進(jìn)的深度學(xué)習(xí) // 164
8.9 小結(jié) // 168
8.10 附錄：更多的深度學(xué)習(xí)參數(shù) // 169
第 9章無監(jiān)督學(xué)習(xí) // 171
9.1 k均值聚類 // 172
9.2 深度學(xué)習(xí)自動(dòng)編碼器 // 174
9.2.1 層疊自動(dòng)編碼器 // 177
9.3 主成分分析 // 178
9.4 GLRM // 179
9.5 缺失數(shù)據(jù) // 180
9.5.1 GLRM // 183
9.5.2 失去 R // 183
9.6 小結(jié) // 187
第 10章其他內(nèi)容 // 188
10.1 重要且需要分析的內(nèi)容 // 188
10.2 安裝最新版本的 H2O // 188
10.2.1 由源代碼構(gòu)建 // 189
10.3 命令行運(yùn)行 // 189
10.4 聚類 // 189
10.4.1 EC2 // 190
10.4.2 其他云提供商 // 191
10.4.3 Hadoop // 191
10.5 Spark/Sparkling Water // 191
10.6 樸素貝葉斯 // 192
10.7 集成 // 192
10.7.1 層疊： h2o.ensemble // 193
10.7.2 分類集成 // 195
10.8 小結(jié) // 195
第 11章　后記：一切運(yùn)行良好！ // 196
11.1 建筑節(jié)能結(jié)果 // 196
11.2 MNIST結(jié)果 // 197
11.3 足球比賽結(jié)果 // 199
11.4 究竟有多差？ // 200
11.4.1 越多越好 // 201
11.4.2 仍渴望更多 // 202
11.4.3 困難排除 // 202
11.4.4 自動(dòng)編碼器 // 203
11.4.5 卷積和收縮 // 204
11.4.6 集成 // 205
11.4.7 這就是可能最差的情況. // 206
11.5 小結(jié) // 206