Scala機器學習：構建現實世界機器學習和深度學習項目 Scala Machine Learning Projects: Build real-world machine learning and deep learning projects with Scala

譯者序
原書前言
第 1章 保險賠償程度分析 // 1
1.1 機器學習和學習過程 //1
1.1.1 典型的機器學習工作過程 // 2
1.2 超參數調整和交叉驗證 //4
1.3 分析和預測保險賠償程度 //6
1.3.1 動機 // 6
1.3.2 數據集的描述 // 6
1.3.3 對數據集的探索性分析 // 6
1.3.4 數據預處理 // 10
1.4 LR用於預測保險索賠的嚴重性 //13
1.4.1 使用 LR開發保險賠償嚴重性預測模型 // 14
1.5 GBT回歸用於預測保險索賠嚴重性 //18
1.6 使用隨機森林回歸算法提升性能 //23
1.6.1 隨機森林用於分類和回歸 // 23
1.7 比較分析和模型部署 //29
1.7.1 基於 Spark的大規模數據集模型部署 // 33
1.8 小結 //34
第 2章 電信客戶流失分析與預測 // 35
2.1 流失分析的原理以及實現 //35
2.2 流失分析過程 //36
2.2.1 數據集的描述 // 38
2.2.2 探索性分析(EDA)和特徵工程 // 38
2.3 LR用於流失預測 //47
2.4 用於流失預測的 SVM //52
2.5 用於客戶流失預測的 DT //55
2.6 用於預測客戶流失的隨機森林 //61
2.7 選擇要部署的最佳模型 //66
2.8 小結 //68
第 3章 基於歷史和實時數據預測高頻比特幣價格 // 69
3.1 比特幣、加密貨幣和在線交易 //69
3.1.1 最先進的比特幣自動交易 // 71
3.1.2 訓練 // 72
3.1.3 預測 // 72
3.2 原型的高級數據管道 //73
3.3 收集歷史和實時價格數據 //74
3.3.1 歷史數據集 // 74
3.3.2 將歷史數據轉換為時間序列 // 75
3.3.3 通過 Cryptocompare API處理實時數據 // 77
3.4 針對預測的模型訓練 //80
3.5 Web服務： Scala Play //85
3.5.1 通過 Akka Actor實現併發 // 86
3.5.2 Web服務工作流程 // 86
3.6 預測價格並評估模型 //91
3.7 使用 Scala Play框架來演示預測 //92
3.7.1 為何選擇 RESTful架構 // 92
3.7.2 項目結構 // 93
3.7.3 運行 Scala Play Web應用程序 // 95
3.8 小結 //96
第 4章 人口規模聚類與民族預測 // 99
4.1 人口規模聚類和區域民族 //99
4.1.1 針對遺傳變異的機器學習 // 100
4.2 1000基因項目數據集描述 //100
4.3 算法、工具和技術 //102
4.3.1 H2O和 Sparkling Water // 102
4.3.2 ADAM用於大規模基因組數據處理 // 105
4.3.3 無監督機器學習 // 106 4.3.4 K均值的原理 // 107
4.3.5 用於進行地理民族預測的 DNN // 108
4.4 配置編程環境 //110
4.5 數據預處理和特徵工程 //112
4.5.1 模型訓練和超參數調整 // 117
4.5.2 使用隨機森林進行民族預測 // 123
4.6 小結 //126
第 5章 主題建模：更好地洞察大型文本 // 127
5.1 主題建模和文本聚類 //127
5.1.1 LDA算法的工作原理 // 129
5.2 使用 Spark MLlib和 Stanford NLP進行主題建模 //131
5.2.1 實現 // 131
5.3 其他主題模型與 LDA的可擴展性 //139
5.4 部署經過訓練的 LDA模型 //140
5.5 小結 //144
第 6章 開發基於模型的電影推薦引擎 // 145
6.1 推薦系統 //145
6.1.1 協同過濾方法 // 145
6.1.2 效用矩陣 // 147
6.2 基於 Spark的電影推薦系統 //148
6.2.1 針對電影相似性基於商品的協同過濾 // 148
6.2.2 基於 Spark的模型推薦 // 153
6.3 選擇和部署最佳模型 //161
6.4 小結 //164
第 7章 使用 Q -learning和 Scala Play框架進行期權交易 // 165
7.1 強化學習與監督學習和無監督學習 //165
7.1.1 使用強化學習 // 166
7.1.2 強化學習中的符號、策略和效用 // 166
7.2 簡單 Q-learning算法實現 //169
7.2.1 Q-learning算法的組成部分 // 169
7.2.2 QLearning 模型驗證 // 179 7.2.3 使用訓練模型進行預測 // 179
7.3 使用 Q-learning開發期權交易 Web應用程序 //179
7.3.1 問題描述 // 180
7.3.2 實現期權交易 Web應用程序 // 182
7.3.3 評估模型 // 189
7.3.4 將期權交易應用程序封裝為 Scala Web應用程序 // 191
7.3.5 運行和部署說明 // 197
7.3.6 模型部署 // 199
7.4 小結 //199
第 8章 使用深度神經網絡進行銀行電話營銷的客戶訂購評估 // 200
8.1 通過電話營銷進行客戶訂購評估 //200
8.1.1 數據集描述 // 200
8.1.2 安裝 Apache Zeppelin並開始使用 // 202
8.1.3 對數據集的研究與分析 // 204
8.1.4 數字特徵統計 // 214
8.1.5 實施客戶訂購評估模型 // 215
8.1.6 超參數調整和特徵選擇 // 225
8.2 小結 //227
第 9章 使用自動編碼器和異常檢測進行欺詐分析 // 228
9.1 異常值和異常檢測 //228
9.2 自動編碼器和無監督學習 //231
9.2.1 自動編碼器的工作原理 // 231
9.2.2 使用自動編碼器實現高效的數據表示 // 232
9.3 開發欺詐分析模型 //233
9.3.1 數據集的描述和使用線性模型 // 233
9.3.2 問題描述 // 234
9.3.3 準備編程環境 // 234
9.3.4 輔助類和方法 // 254
9.4 超參數調整和特徵選擇 //255
9.5 小結 //256
第 10章 使用遞歸神經網絡識別人類活動 // 258
10.1 使用 RNN //258
10.1.1 上下文信息和 RNN的體系結構 // 258
10.1.2 RNN和長期依賴性問題 // 260
10.1.3 LSTM網絡 // 261
10.2 使用 LSTM模型識別人類活動 //263
10.2.1 數據集的描述 // 263
10.2.2 為 Scala設置和配置 MXNet // 264
10.3 為 HAR實現 LSTM模型 //266
10.4 調整 LSTM超參數和 GRU //281
10.5 小結 //283
第 11章 使用卷積神經網絡進行圖像分類 // 284
11.1 DNN的圖像分類和缺點 //284
11.2 CNN架構 //285
11.2.1 卷積運算 // 286
11.2.2 池化層和填充操作 // 287
11.2.3 DL4j中的卷積和子採樣操作 // 288
11.3 使用 CNN進行大規模圖像分類 //295
11.3.1 問題描述 // 296
11.3.2 圖像數據集的描述 // 296
11.3.3 整個項目的工作流程 // 297
11.3.4 CNN圖像分類的實現 // 298
11.4 調整和優化 CNN超參數 //315
11.5 小結 //316