機器學習基礎 — 面向預測數據分析的算法、實用範例與案例研究 Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies
John D. Kelleher, Brian Mac Namee, Aoife D'Arcy 顧卓爾譯；張志華等審校譯
- 出版商: 機械工業
- 出版日期: 2020-05-01
- 售價: $594
- 貴賓價: 9.5 折 $564
- 語言: 簡體中文
- 頁數: 368
- 裝訂: 平裝
- ISBN: 7111652339
- ISBN-13: 9787111652335
-
相關分類:
Data Science、Machine Learning
- 此書翻譯自: Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies (Hardcover)
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$303大數據挖掘及應用(Big Data Mining and Application) -
資料探勘：人工智慧與機器學習發展以 SPSS Modeler 為範例$690$538 -
數位影像處理 (Gonzalez & Woods : Digital Image Processing, 4/e)$880$862 -
資料探勘原理與技術, 2/e$450$405 -
$403Python 數據分析與挖掘實戰, 2/e -
深度學習圖解 (Grokking Deep Learning)$594$564 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$493 -
$356社交媒體數據挖掘與分析 -
$454Python 機器學習系統構建 (原書第3版) -
Unity 人工智能實戰, 2/e (Unity 2018 Artificial Intelligence Cookbook: Over 90 recipes to build and customize AI entities for your games with Unity, 2/e)$474$450 -
數據科學博弈論 (Game Theory for Data Science: Eliciting Truthful Information)$294$279 -
SaaS 商業實戰：好模式如何變成好生意$534$507 -
機器學習入門與實戰 — 基於 scikit-learn 和 Keras$359$341 -
打通 RxJS 任督二脈：從菜雞前進老鳥必學的關鍵知識（iT邦幫忙鐵人賽系列書）$620$484 -
資料科學的統計實務 : 探索資料本質、扎實解讀數據，才是機器學習成功建模的第一步$599$509 -
Python 大數據專案 X 工程 X 產品 資料工程師的升級攻略$700$553 -
圖像 Angular 開發入門：打造高靈活度的網頁應用程式 (iT邦幫忙鐵人賽系列書)$600$468 -
ACCELERATE：精益軟體與 DevOps 背後的科學 (Accelerate: The Science of Lean Software and DevOps: Building and Scaling High Performing Technology Organizations)$499$424 -
銷售 AI 化！看資料科學家如何思考, 用 Python 打造能賺錢的機器學習模型$620$490 -
集成式學習：Python 實踐！整合全部技術，打造最強模型 (Hands-On Ensemble Learning with Python: Build highly optimized ensemble machine learning models using scikit-learn and Keras)$750$593 -
$356集成學習入門與實戰：原理、算法與應用 -
電腦視覺機器學習實務｜建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)$780$616 -
$454Pandas 入門與實戰應用 ：基於 Python 的數據分析與處理 -
$607利用 Python 實現概率、統計及機器學習方法（原書第2版） -
白話機器學習$780$585
相關主題
商品描述
本書重點講述用於預測性數據分析的*重要的機器學習方法，包括理論概念和實際應用。
目錄大綱
譯者序
前言
符號記法
第1章面向預測數據分析的機器學習1
1.1什麼是預測數據分析1
1.2什麼是機器學習2
1.3機器學習的工作原理4
1.4機器學習會產生什麼問題7
1.5預測數據分析項目的生命週期：CRISP-DM 9
1.6預測數據分析工具10
1.7本書概覽11
1.8習題12
第2章數據到見解再到決策13
2.1將商業問題轉化為分析解決方案13
2.2可行性評估14
2.3設計分析基礎表16
2.4特徵的設計與實現19
2.4.1不同的數據類型20
2.4.2不同的特徵類型20
2.4.3處理時間21
2.4.4法律問題23
2.4.5特徵的實現25
2.4.6案例研究：汽車保險詐騙25
2.5總結28
2.6延伸閱讀28
2.7習題29
第3章數據探索31
3.1數據質量報告31
3.2了解數據35
3.2.1正態分佈37
3.2.2案例研究：汽車保險詐騙38
3.3找出數據質量問題39
3.3.1缺失值39
3.3.2異常基數40
3.3.3離群點40
3.3.4案例研究：汽車保險詐騙41
3.4處理數據質量問題42
3.4.1處理缺失值43
3.4.2處理離群點43
3.4.3案例研究：汽車保險詐騙44
3.5高階數據探索45
3.5.1可視化特徵之間的關係45
3.5.2度量協方差和相關性52
3.6數據準備56
3.6.1歸一化56
3.6.2分箱57
3.6.3採樣60
3.7總結61
3.8延伸閱讀62
3.9習題62
第4章基於信息的學習73
4.1大思路73
4.2基礎知識75
4.2.1決策樹75
4.2.2香農熵模型77
4.2.3信息增益80
4.3標準方法：ID3算法83
4.4延伸與拓展89
4.4.1其他特徵選取與純度度量方法89
4.4.2處理連續描述性特徵92
4.4.3預測連續目標95
4.4.4剪枝98
4.4.5模型組合100
4.5總結103
4.6延伸閱讀104
4.7習題104
第5章基於相似性的學習109
5.1大思路109
5.2基本概念110
5.2.1特徵空間110
5.2.2用距離度量測量相似性111
5.3標準方法：最近鄰算法113
5.4延伸與拓展116
5.4.1處理嘈雜數據116
5.4.2高效內存搜索118
5.4. 3數據歸一化124
5.4.4預測連續目標127
5.4.5其他相似性測量129
5.4.6特徵選取136
5.5總結141
5.6延伸閱讀143
5.7後記144
5.8習題144
第6章基於概率的學習149
6.1大思路149
6.2基礎知識151
6.2.1貝葉斯定理152
6.2.2貝葉斯預測154
6.2.3條件獨立與因子化157
6.3標準方法：樸素貝葉斯模型160
6.4延伸與拓展163
6.4.1平滑163
6.4.2連續特徵：概率密度函數166
6.4.3連續特徵：分箱174
6.4. 4貝葉斯網絡177
6.5總結187
6.6延伸閱讀188
6.7習題188
第7章基於誤差的學習192
7.1大思路192
7.2基礎知識192
7.2.1簡單線性回歸193
7.2.2測量誤差194
7.2.3誤差曲面196
7.3標準方法：使用梯度下降法的多變量線性回歸197
7.3.1多變量線性回歸198
7.3.2梯度下降法198
7.3.3選擇學習率和初始權值203
7.3.4實用範例204
7.4延伸與拓展206
7.4.1解釋多變量線性回歸模型206
7.4.2用權值衰減設定學習率208
7.4.3處理類別描述性特徵209
7.4.4處理類別目標特徵：對數機率回歸210
7.4.5建模非線性關係219
7.4.6多項對數機率回歸223
7.4.7支持向量機226
7.5總結229
7.6延伸閱讀231
7.7習題231
第8章評估237
8.1大思路237
8.2基礎知識238
8.3標準方法：留出測試集上的誤分類率238
8.4延伸與拓展241
8.4.1設計評估實驗241
8.4.2性能度量：類別目標246
8.4.3性能度量：預測得分252
8.4.4性能度量：多項目標264
8.4.5性能度量：連續目標265
8.4.6評估部署後的模型268
8.5總結273
8.6延伸閱讀273
8.7習題274
第9章案例研究：客戶流失278
9.1商業理解278
9.2數據理解280
9.3數據準備283
9.4建模286
9.5評估289
9.6部署290
第10章案例研究：星系分類292
10.1商業理解292
10.2數據理解294
10.3數據準備299
10.4建模303
10.4.1基準模型303
10.4.2特徵選取305
10.4.3 5級別模型306
10.5評估307
10.6部署308
第11章面向預測數據分析的機器學習藝術309
11.1預測模型的不同視角310
11.2選擇機器學習方法313
11.2.1將機器學習方法和項目匹配315
11.2.2將機器學習方法和數據匹配315
11.3總結316
附錄A機器學習的描述性統計量與數據可視化317
附錄B機器學習的概率論導論326
附錄C機器學習中的求導方法332
參考文獻336
索引343
