预购商品
书目分类
特别推荐
技術評審員簡介 第1章 機器學習基礎 1.1回歸和分類 1.1.1訓練資料和測試資料 1.1.2對於驗證資料集的需求 1.1.3精度測量 1.1.4AUC值和ROC曲線 1.2無監督學習 // 1.3建立模型的典型方法 1.3.1資料從哪裡獲取 1.3.2需要獲取哪些資料 1.3.3數據預處理 1.3.4特徵交互 1.3.5特徵生成 1.3.6建立模型 1.3.7模型生產化 1.3.8構建、部署、測試和反覆運算 1.4總結 第2章 線性回歸 2.1線性回歸介紹 2.1.1變數：引數和因變數 2.1.2相關性 2.1.3因果關係 2.2簡單線性回歸與多元線性回歸 2.3形式化簡單線性回歸 2.3.1偏差項 2.3.2斜率 2.4求解一個簡單線性回歸 2.5求解簡單線性回歸更通用的方法 2.5.1平方差總和小化 2.5.2求解公式 2.6簡單線性回歸的工作細節 2.6.1讓簡單線性回歸複雜化一點 2.6.2達到優系數值 2.6.3方均根誤差介紹 2.7在R中運行簡單線性回歸 2.7.1殘差 2.7.2係數 2.7.3殘差（殘餘偏差）的SSE 2.7.4零偏差 2.7.5R平方 2.7.6F統計量 2.8在Python中運行簡單線性回歸 2.9簡單線性回歸的常見缺陷 2.10多元線性回歸 2.10.1多元線性回歸的工作細節 2.10.2R中的多元線性回歸 2.10.3Python中的多元線性回歸 2.10.4模型中的非重要變數問題 2.10.5多重共線性問題 2.10.6多重共線性的數學直覺 2.10.7有關多元線性回歸的其他注意事項 2.11線性回歸的假設 2.12總結 第3章 對數幾率回歸 3.1為什麼線性回歸對離散結果無效 3.2一個更普遍的解決方案：Sigmoid曲線 3.2.1形式化Sigmoid曲線（Sigmoid啟動） 3.2.2從Sigmoid曲線到對率回歸 3.2.3對率回歸的解釋 3.2.4對率回歸的工作細節 3.2.5估算誤差 3.2.6小二乘法與線性假設 3.3在R中運行對率回歸 3.4在Python中運行對率回歸 3.5確定興趣的度量 3.6常見陷阱 3.6.1預測和事件發生之間的時間 3.6.2引數中的異常值 3.7總結 第4章 決策樹 4.1決策樹的構成部分 4.2存在多個離散引數的分類決策樹 4.2.1信息增益 4.2.2計算不確定性：熵 4.2.3計算資訊增益 4.2.4原始資料集中的不確定性 4.2.5衡量不確定性的改善 4.2.6哪些特定值進入左側或右側節點 4.2.7分裂過程何時停止 4.3連續引數的分類決策樹 4.4有多個引數時的分類決策樹 4.5存在連續引數和離散引數時的分類決策樹 4.6如果回應變數是連續的怎麼辦 4.6.1連續因變數與多個連續引數 4.6.2連續因變數與離散引數 4.6.3連續因變數與離散、連續引數 4.7在R中實現決策樹 4.8在Python中實現決策樹 4.9創建樹的常見技術 4.10視覺化樹的構建 4.11異常值對決策樹的影響 4.12總結 第5章 隨機森林 5.1一個隨機森林的場景 5.1.1Bagging 5.1.2隨機森林的工作細節 5.2在R中實現隨機森林 5.2.1隨機森林中的參數調整 5.2.2樹的深度對AUC的影響 5.3在Python中實現隨機森林 5.4總結 第6章 梯度提升機 6.1梯度提升機介紹 6.2GBM的工作細節 6.3收縮率 6.4AdaBoost 6.4.1AdaBoost理論 6.4.2AdaBoost的工作細節 6.5GBM的附加功能 6.6在Python中實現GBM 6.7在R中實現GBM 6.8總結 第7章 人工神經網路 7.1神經網路的結構 7.2訓練神經網路的工作細節 7.2.1前向傳播 7.2.2應用啟動函數 7.2.3反向傳播 7.2.4計算反向傳播 7.2.5隨機梯度下降 7.2.6深入瞭解梯度下降 7.2.7為什麼要有學習率 7.3批量訓練 7.3.1Softmax的概念 7.4不同的損耗優化函數 7.4.1縮放資料集 7.5在Python中實現神經網路 7.6利用正則化避免過擬合 7.7將權重分配給正則化項 7.8在R中實現神經網路 7.9總結 第8章 Word2vec 8.1手工構建詞向量 8.2構建詞向量的方法 8.3Word2vec模型中需要注意的問題 8.3.1常用詞 8.3.2負採樣 8.4在Python中實現Word2vec 8.5總結 第9章 卷積神經網路 9.1傳統神經網路的問題 9.1.1場景1 9.1.2場景2 9.1.3場景3 9.1.4場景4 9.2瞭解CNN中的卷積 9.2.1從卷積到啟動 9.2.2從卷積啟動到池化 9.2.3卷積和池化有什麼幫助 9.3使用代碼創建CNN 9.4CNN的工作細節 9.5深入研究卷積/內核 9.6從卷積和池化到扁平化：完全連接層 9.6.1從一個完全連接層到另一個完全連接層 9.6.2從完全連接層到輸出層 9.7連接點：前饋網路 9.8CNN的其他細節 9.9CNN中的反向傳播 9.10將各層放在一起 9.11資料增強 9.12在R中實現CNN 9.13總結 第10章 遞迴神經網路 10.1理解架構 10.2RNN的解釋 10.3RNN的工作細節 10.3.1時間步驟1 10.3.2時間步驟2 10.3.3時間步驟3 10.4實現RNN:SimpleRNN 10.4.1編譯模型 10.4.2驗證RNN的輸出 10.5實現RNN：生成文本 10.6RNN中的嵌入層 10.7傳統RNN的問題 10.7.1梯度消失問題 10.7.2梯度爆炸問題 10.8LSTM 10.9在keras中實現基本LSTM 10.10實現LSTM進行情感分類 10.11在R中實現RNN 10.12總結 第11章 聚類 11.1聚類介紹 11.1.1構建用於性能比較的商店簇 11.1.2理想聚類 11.1.3在沒有聚類和過多聚類之間取得平衡：k均值聚類 11.2聚類過程 11.3k均值聚類演算法的工作細節 11.3.1k均值演算法在資料集上的應用 11.3.2k均值聚類演算法的性質 11.4在R中實現k均值聚類 11.5在Python中實現k均值聚類 11.6主要指標的意義 11.7確定優的k 11.8自上向下與自下向上的聚類 11.8.1層次聚類 11.8.2層次聚類的主要缺點 11.9k均值聚類的行業使用案例 11.10總結 第12章 主成分分析 12.1PCA的直觀理解 12.2PCA的工作細節 12.3在PCA中縮放數據 12.4將PCA擴展到多變數 12.5在R中實現PCA 12.6在Python中實現PCA 12.7將PCA應用於MNIST 12.8總結 第13章 推薦系統 13.1瞭解k近鄰 13.2基於用戶的協同過濾的工作細節 13.2.1歐氏距離 13.2.2余弦相似度 13.3基於項目的協同過濾 13.4在R中實現協同過濾 13.5在Python中實現協同過濾 13.6矩陣分解的工作細節 13.7在Python中實現矩陣分解 13.8在R中實現矩陣分解 13.9總結 第14章 在雲中實現演算法 14.1穀歌雲平臺 14.2微軟Azure 14.3亞馬遜網路服務 14.4將檔案傳輸到雲實例 14.5從本地電腦運行實例Jupyter Notebook 14.6在實例上安裝R 14.7總結 附錄 Excel、R和Python基礎 A.1 Excel基礎 A.2 R語言基礎 A.3 Python基礎
客服公告
热门活动
订阅电子报
