Python 機器學習實戰案例, 2/e

趙衛東 董亮

Python 機器學習實戰案例, 2/e 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2022-03-01
  • 定價: $354
  • 售價: 8.5 折 $301
  • 語言: 簡體中文
  • ISBN: 7302601240
  • ISBN-13: 9787302601241
  • 相關分類: Machine Learning

    • 立即出貨 (庫存=1)

  • Python 機器學習實戰案例, 2/e-preview-1
  • Python 機器學習實戰案例, 2/e-preview-2
  • Python 機器學習實戰案例, 2/e-preview-3
Python 機器學習實戰案例, 2/e-preview-1

買這商品的人也買了...

相關主題

商品描述

機器學習是人工智能的重要技術基礎,涉及的內容十分廣泛。本書基於Python語言,實現了12個典型的實戰案例,其內容涵蓋了機器學習的基礎算法,主要包括統計學習基礎、可視化、常用的分類算法、文本分析、捲積神經網絡、循環神經網絡、註意力機制、生成對抗網絡、電子推薦系統等理論。 本書深入淺出,以實際應用的項目作為案例,實踐性強,註重提升讀者的動手操作能力,適合作為高等院校本科生及研究生機器學習、深度學習、數據挖掘等課程的實驗教材,也可作為對機器學習和深度學習感興趣的研究人員和工程技術人員的參考資料。

目錄大綱

目錄

 

第1章集裝箱危險品瞞報預測

 

1.1業務背景分析

 

1.2數據提取

 

1.3數據預處理

 

1.3.1數據集成

 

1.3.2數據清洗

 

1.3.3數據變換

 

1.3.4數據離散化

 

1.3.5特徵重要性篩選

 

1.3.6數據平衡

 

1.4危險品瞞報預測建模

 

1.5模型評估

 

思考題

 

第2章保險產品推薦

 

2.1業務背景分析

 

2.2數據探索

 

2.3數據預處理

 

2.4分類模型構建

 

2.5平衡數據集

 

2.6算法調參

 

2.7模型比較

 

思考題

 

第3章圖書類目自動標引系統

 

3.1業務背景分析

 

3.2數據提取

 

3.3數據預處理

 

3.4基於貝葉斯分類的文獻標引

 

3.4.1增量訓練

 

3.4.2特徵降維與消歧

 

3.4.3權重調節

 

3.5貝葉斯分類性能評估

 

3.6基於BERT算法的文獻標引

 

3.6.1數據預處理

 

3.6.2構建訓練集

 

3.6.3模型實現

 

思考題

 

 

 

 

 

第4章基於分類算法的學習失敗預警

 

4.1業務背景分析

 

4.2學習失敗風險預測流程

 

4.3數據收集

 

4.4數據預處理

 

4.4.1數據探查及特徵選擇

 

4.4.2數據集劃分及不平衡樣本處理

 

4.4.3樣本生成及標準化處理

 

4.5隨機森林算法

 

4.5.1網格搜索及模型訓練

 

4.5.2結果分析與可視化

 

4.5.3特徵重要性分析

 

4.5.4與其他算法比較

 

思考題

 

第5章自然語言處理技術實例

 

5.1業務背景分析

 

5.2分析框架

 

5.3數據收集

 

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語義角色標記

 

5.4.5語言模型

 

5.4.6詞向量模型Word2Vec

 

思考題

 

第6章基於標簽的信息推薦系統

 

6.1業務背景分析

 

6.2數據預處理

 

6.2.1現有系統現狀

 

6.2.2數據預處理

 

6.3內容分析

 

6.4基於協同過濾推薦

 

6.4.1用戶偏好矩陣構建

 

6.4.2用戶相似度度量

 

6.5基於用戶興趣推薦

 

6.6“冷啟動”問題與混合策略

 

6.6.1冷啟動問題分析

 

6.6.2混合策略

 

思考題

 

第7章快銷行業客戶行為分析與流失預警

 

7.1業務背景分析

 

7.2數據預處理

 

7.2.1數據整理

 

7.2.2數據統計與探查

 

7.3用戶行為分析

 

7.3.1用戶流失風險評估

 

7.3.2流失風險預警模型集成

 

思考題

 

第8章基於深度學習的圖片識別系統

 

8.1業務背景分析

 

8.2圖片識別技術方案

 

8.3圖片預處理——表格旋轉

 

8.4圖片預處理——表格提取

 

8.5基於密集捲積網絡的文本識別模型

 

8.5.1訓練數據生成

 

8.5.2DenseNet模型訓練

 

8.5.3文本識別模型調用

 

8.6基於LSTM算法實現文本識別

 

8.6.1環境安裝

 

8.6.2模型設計

 

8.6.3模型訓練

 

8.6.4模型使用

 

思考題

 

 

第9章超分辨率圖像重建

 

9.1數據探索

 

9.2數據預處理

 

9.2.1圖像尺寸調整

 

9.2.2載入數據

 

9.2.3圖像預處理

 

9.2.4持久化測試數據

 

9.3模型設計

 

9.3.1殘差塊

 

9.3.2上採樣 PixelShuffle方法

 

9.3.3生成器

 

9.3.4判別器

 

9.3.5損失函數與優化器定義

 

9.3.6訓練過程

 

9.4實驗評估

 

思考題

 

第10章基於YOLO v5的電動車騎手頭盔檢測

 

10.1數據集的準備

 

10.2數據劃分與預處理

 

10.3YOLO v5模型訓練和優化

 

10.4YOLO v5模型應用

 

10.5YOLO v5模型移植

 

10.5.1模型轉換

 

10.5.2Android頭盔檢測應用實現

 

10.6總結

 

思考題

 

第11章基於UNET算法的農業遙感圖像分割

 

11.1數據準備

 

11.2數據預處理

 

11.3UNet語義分割模型搭建

 

11.3.1定義訓練參數

 

11.3.2定義UNET主乾特徵提取網絡模塊

 

11.3.3定義UNET網絡

 

11.3.4數據增強

 

11.3.5獲取數據集以及模型

 

11.3.6設置回調函數

 

11.3.7設置損失函數

 

11.4圖像語義分割模型訓練

 

11.5語義分割模型使用

 

11.6總結

 

思考題

 

第12章基於自註意力、BiLSTM和TextCNN算法的新聞分類

 

12.1數據概況

 

12.2數據預處理

 

12.2.1分詞

 

12.2.2關鍵詞提取

 

12.2.3搭建和訓練Word2Vec模型

 

12.3新聞分類模型訓練和優化

 

12.3.1SelfAttention模型

 

12.3.2BiLSTM模型

 

12.3.3TextCNN模型

 

12.4結果分析

 

思考題

 

附錄A機器學習復習題

 

附錄B深度學習復習題

 

附錄CAnaconda的安裝與使用

 

參考文獻

 

類似商品