为你推荐
内容简介
前言
第1部分 机器学习概念与特征工程
第1章 机器学习的基础概念
1.1 数据源
1.2 模型的基本形式：回归
1.3 模型与算法
1.4 SMD学习技术
1.5 机器学习误差源
1.6 模型拟合诊断
1.7 数据分区技术
1.8 集成学习方法
1.9 运算加速度
第2章 特征工程技术
2.1 数据变换
2.2 数据编码
2.3 缺失值填补
2.4 异常值诊断
2.5 共线性的危害
2.6 特征筛选技术
2.7 聚类技术：市场细分
第2部分 机器学习技术
第3章 机器学习准备
3.1 机器学习的数学基础
3.2 机器学习理解
3.3 机器学习算法
第4章 统计学：回归“进化”
4.1 大数据与回归模型
4.2 正则化约束
4.3 案例：随机梯度下降回归与归因解释
第5章 神经网络模型：预测
5.1 感知器模型
5.2 神经网络模型
5.3 案例：数据分析流与神经网络
第6章 决策树：归因与可视化
6.1 决策树模型原理
6.2 树模型的特征
6.3 两类归因：决策树与逻辑回归
第7章 支持向量机：高维数据
7.1 支持向量机简介
7.2 线性支持向量机
7.3 非线性与核技巧
7.4 支持向量机模型运算
7.5 案例：图像识别与预测分类
第8章 关联分析
8.1 数据源格式
8.2 关联规则与度量指标
8.3 案例：商品关联过滤与营销推荐
第3部分 模型关系管理
第9章 集成学习方法：弱集成
9.1 集成学习：弱分类器
9.2 集成学习：聚合策略
第10章 多阶段模型管理：强集成
10.1 特征工程与模型集成
10.2 多阶段模型管理与案例解析
第11章 深度学习模型：混合专家
11.1 全连接神经网络：数值分析
11.2 卷积神经网络：图像识别
11.3 循环神经网络：自然语言处理
第12章 自动化机器学习
12.1 自动化与集成学习
12.2 数据分析流水线
12.3 超参数与高效运行
总结与展望
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
6.6
