Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn)案例（第2版）

定　價(jià)：￥59.00

作　者：	趙衛(wèi)東董亮
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302601241	出版時(shí)間：	2022-03-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：	251	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　機(jī)器學(xué)習(xí)是人工智能的重要技術(shù)基礎(chǔ)，涉及的內(nèi)容十分廣泛。本書基于Python語言，實(shí)現(xiàn)了12個(gè)典型的實(shí)戰(zhàn)案例，其內(nèi)容涵蓋了機(jī)器學(xué)習(xí)的基礎(chǔ)算法，主要包括統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)、可視化、常用的分類算法、文本分析、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、生成對(duì)抗網(wǎng)絡(luò)、電子推薦系統(tǒng)等理論。本書深入淺出，以實(shí)際應(yīng)用的項(xiàng)目作為案例，實(shí)踐性強(qiáng)，注重提升讀者的動(dòng)手操作能力，適合作為高等院校本科生及研究生機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)據(jù)挖掘等課程的實(shí)驗(yàn)教材，也可作為對(duì)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)感興趣的研究人員和工程技術(shù)人員的參考資料。

作者簡(jiǎn)介

　　趙衛(wèi)東，復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院副教授。主要負(fù)責(zé)本科生和各類研究生機(jī)器學(xué)習(xí)、大數(shù)據(jù)核心技術(shù)和商務(wù)智能（商務(wù)數(shù)據(jù)分析）等課程的教學(xué)。2011年紐約大學(xué)訪問學(xué)者、2015年上海市科技進(jìn)步二等獎(jiǎng)獲得者、CDA三級(jí)認(rèn)證數(shù)據(jù)科學(xué)家、騰訊云和百度云機(jī)器學(xué)習(xí)認(rèn)證講師。主講的商務(wù)智能課程被評(píng)為上海市精品課程以及CMOOC聯(lián)盟線上線下混合式教學(xué)改革項(xiàng)目，并獲得2013年高等教育上海市教學(xué)成果獎(jiǎng)二等獎(jiǎng)。目前主要研究方向包括機(jī)器學(xué)習(xí)應(yīng)用和大數(shù)據(jù)分析等。主持國(guó)家自然科學(xué)基金2項(xiàng)，國(guó)家重點(diǎn)研發(fā)計(jì)劃子課題、上海市浦江人才以及企業(yè)合作課題等30多項(xiàng)。已在Knowledge and Information Systems， Information Processing & Management，Information Systems Frontiers等國(guó)內(nèi)外刊物和學(xué)術(shù)會(huì)議發(fā)表論文100多篇。出版專著、教材《機(jī)器學(xué)習(xí)》《機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)》《Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn)案例》等10多部。

圖書目錄

第1章集裝箱危險(xiǎn)品瞞報(bào)預(yù)測(cè)
1.1業(yè)務(wù)背景分析
1.2數(shù)據(jù)提取
1.3數(shù)據(jù)預(yù)處理
1.3.1數(shù)據(jù)集成
1.3.2數(shù)據(jù)清洗
1.3.3數(shù)據(jù)變換
1.3.4數(shù)據(jù)離散化
1.3.5特征重要性篩選
1.3.6數(shù)據(jù)平衡
1.4危險(xiǎn)品瞞報(bào)預(yù)測(cè)建模
1.5模型評(píng)估
思考題
第2章保險(xiǎn)產(chǎn)品推薦
2.1業(yè)務(wù)背景分析
2.2數(shù)據(jù)探索
2.3數(shù)據(jù)預(yù)處理
2.4分類模型構(gòu)建
2.5平衡數(shù)據(jù)集
2.6算法調(diào)參
2.7模型比較
思考題
第3章圖書類目自動(dòng)標(biāo)引系統(tǒng)
3.1業(yè)務(wù)背景分析
3.2數(shù)據(jù)提取
3.3數(shù)據(jù)預(yù)處理
3.4基于貝葉斯分類的文獻(xiàn)標(biāo)引
3.4.1增量訓(xùn)練
3.4.2特征降維與消歧
3.4.3權(quán)重調(diào)節(jié)
3.5貝葉斯分類性能評(píng)估
3.6基于BERT算法的文獻(xiàn)標(biāo)引
3.6.1數(shù)據(jù)預(yù)處理
3.6.2構(gòu)建訓(xùn)練集
3.6.3模型實(shí)現(xiàn)
思考題

第4章基于分類算法的學(xué)習(xí)失敗預(yù)警
4.1業(yè)務(wù)背景分析
4.2學(xué)習(xí)失敗風(fēng)險(xiǎn)預(yù)測(cè)流程
4.3數(shù)據(jù)收集
4.4數(shù)據(jù)預(yù)處理
4.4.1數(shù)據(jù)探查及特征選擇
4.4.2數(shù)據(jù)集劃分及不平衡樣本處理
4.4.3樣本生成及標(biāo)準(zhǔn)化處理
4.5隨機(jī)森林算法
4.5.1網(wǎng)格搜索及模型訓(xùn)練
4.5.2結(jié)果分析與可視化
4.5.3特征重要性分析
4.5.4與其他算法比較
思考題
第5章自然語言處理技術(shù)實(shí)例
5.1業(yè)務(wù)背景分析
5.2分析框架
5.3數(shù)據(jù)收集
5.4建立模型
5.4.1文本分詞
5.4.2主題詞提取
5.4.3情感分析
5.4.4語義角色標(biāo)記
5.4.5語言模型
5.4.6詞向量模型Word2Vec
思考題
第6章基于標(biāo)簽的信息推薦系統(tǒng)
6.1業(yè)務(wù)背景分析
6.2數(shù)據(jù)預(yù)處理
6.2.1現(xiàn)有系統(tǒng)現(xiàn)狀
6.2.2數(shù)據(jù)預(yù)處理
6.3內(nèi)容分析
6.4基于協(xié)同過濾推薦
6.4.1用戶偏好矩陣構(gòu)建
6.4.2用戶相似度度量
6.5基于用戶興趣推薦
6.6“冷啟動(dòng)”問題與混合策略
6.6.1冷啟動(dòng)問題分析
6.6.2混合策略
思考題
第7章快銷行業(yè)客戶行為分析與流失預(yù)警
7.1業(yè)務(wù)背景分析
7.2數(shù)據(jù)預(yù)處理
7.2.1數(shù)據(jù)整理
7.2.2數(shù)據(jù)統(tǒng)計(jì)與探查
7.3用戶行為分析
7.3.1用戶流失風(fēng)險(xiǎn)評(píng)估
7.3.2流失風(fēng)險(xiǎn)預(yù)警模型集成
思考題
第8章基于深度學(xué)習(xí)的圖片識(shí)別系統(tǒng)
8.1業(yè)務(wù)背景分析
8.2圖片識(shí)別技術(shù)方案
8.3圖片預(yù)處理——表格旋轉(zhuǎn)
8.4圖片預(yù)處理——表格提取
8.5基于密集卷積網(wǎng)絡(luò)的文本識(shí)別模型
8.5.1訓(xùn)練數(shù)據(jù)生成
8.5.2DenseNet模型訓(xùn)練
8.5.3文本識(shí)別模型調(diào)用
8.6基于LSTM算法實(shí)現(xiàn)文本識(shí)別
8.6.1環(huán)境安裝
8.6.2模型設(shè)計(jì)
8.6.3模型訓(xùn)練
8.6.4模型使用
思考題
第9章超分辨率圖像重建
9.1數(shù)據(jù)探索
9.2數(shù)據(jù)預(yù)處理
9.2.1圖像尺寸調(diào)整
9.2.2載入數(shù)據(jù)
9.2.3圖像預(yù)處理
9.2.4持久化測(cè)試數(shù)據(jù)
9.3模型設(shè)計(jì)
9.3.1殘差塊
9.3.2上采樣 PixelShuffle方法
9.3.3生成器
9.3.4判別器
9.3.5損失函數(shù)與優(yōu)化器定義
9.3.6訓(xùn)練過程
9.4實(shí)驗(yàn)評(píng)估
思考題
第10章基于YOLO v5的電動(dòng)車騎手頭盔檢測(cè)
10.1數(shù)據(jù)集的準(zhǔn)備
10.2數(shù)據(jù)劃分與預(yù)處理
10.3YOLO v5模型訓(xùn)練和優(yōu)化
10.4YOLO v5模型應(yīng)用
10.5YOLO v5模型移植
10.5.1模型轉(zhuǎn)換
10.5.2Android頭盔檢測(cè)應(yīng)用實(shí)現(xiàn)
10.6總結(jié)
思考題
第11章基于UNET算法的農(nóng)業(yè)遙感圖像分割
11.1數(shù)據(jù)準(zhǔn)備
11.2數(shù)據(jù)預(yù)處理
11.3UNet語義分割模型搭建
11.3.1定義訓(xùn)練參數(shù)
11.3.2定義UNET主干特征提取網(wǎng)絡(luò)模塊
11.3.3定義UNET網(wǎng)絡(luò)
11.3.4數(shù)據(jù)增強(qiáng)
11.3.5獲取數(shù)據(jù)集以及模型
11.3.6設(shè)置回調(diào)函數(shù)
11.3.7設(shè)置損失函數(shù)
11.4圖像語義分割模型訓(xùn)練
11.5語義分割模型使用
11.6總結(jié)
思考題
第12章基于自注意力、BiLSTM和TextCNN算法的新聞分類
12.1數(shù)據(jù)概況
12.2數(shù)據(jù)預(yù)處理
12.2.1分詞
12.2.2關(guān)鍵詞提取
12.2.3搭建和訓(xùn)練Word2Vec模型
12.3新聞分類模型訓(xùn)練和優(yōu)化
12.3.1SelfAttention模型
12.3.2BiLSTM模型
12.3.3TextCNN模型
12.4結(jié)果分析
思考題
附錄A機(jī)器學(xué)習(xí)復(fù)習(xí)題
附錄B深度學(xué)習(xí)復(fù)習(xí)題
附錄CAnaconda的安裝與使用
參考文獻(xiàn)