機(jī)器學(xué)習(xí)在線：解析阿里云機(jī)器學(xué)習(xí)平臺(tái)

定　價(jià)：￥79.00

作　者：	楊旭著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：	阿里巴巴集團(tuán)技術(shù)叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787121318696	出版時(shí)間：	2017-08-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	264	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　以機(jī)器學(xué)習(xí)中的典型案例為主線，條分縷析梳理阿里云的平臺(tái)功能，講解如何用阿里云的機(jī)器學(xué)習(xí)平臺(tái)來(lái)實(shí)現(xiàn)各類應(yīng)用，包括商家作弊檢測(cè)、生存預(yù)測(cè)、信用風(fēng)險(xiǎn)預(yù)測(cè)、用戶購(gòu)買(mǎi)行為預(yù)測(cè)等，并完整地介紹了機(jī)器學(xué)習(xí)的基本原理與實(shí)踐技巧。

作者簡(jiǎn)介

　　2004年獲南開(kāi)大學(xué)數(shù)學(xué)博士學(xué)位；隨后在南開(kāi)大學(xué)信息學(xué)院從事博士后研究工作；2006年加入微軟亞洲研究院，進(jìn)行符號(hào)計(jì)算、大規(guī)模矩陣計(jì)算及機(jī)器學(xué)習(xí)算法研究；2010年加入阿里巴巴，從事大數(shù)據(jù)相關(guān)的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)算法研發(fā)。著有《重構(gòu)大數(shù)據(jù)統(tǒng)計(jì)》。

圖書(shū)目錄

第1章阿里云機(jī)器學(xué)習(xí)\t1
1．1 產(chǎn)品特點(diǎn)\t1
1．2 名詞解釋\t2
1．3 構(gòu)建機(jī)器學(xué)習(xí)實(shí)驗(yàn)\t3
1．3．1 新建實(shí)驗(yàn)\t3
1．3．2 使用組件搭建工作流\t4
1．3．3 運(yùn)行實(shí)驗(yàn)、查看結(jié)果\t5
1．3．4 模型部署、在線預(yù)測(cè)\t6
第2章商家作弊行為檢測(cè)\t7
2．1 數(shù)據(jù)探索\t8
2．2 建模、預(yù)測(cè)和評(píng)估\t15
2．3 嘗試其他分類模型\t19
2．4 判斷商家作弊\t24
第3章生存預(yù)測(cè)\t27
3．1 數(shù)據(jù)集一\t27
3．1．1 特征分析\t28
3．1．2 生存預(yù)測(cè)\t33
3．2 數(shù)據(jù)集二\t36
3．2．1 隨機(jī)森林模型\t39
3．2．2 樸素貝葉斯模型\t47
第4章信用風(fēng)險(xiǎn)預(yù)測(cè)\t50
4．1 整體流程\t53
4．1．1 特征啞元化\t54
4．1．2 特征重要性\t57
4．2 模型效果評(píng)估\t61
4．3 減少模型特征的個(gè)數(shù)\t62
第5章用戶購(gòu)買(mǎi)行為預(yù)測(cè)\t65
5．1 數(shù)據(jù)探索\t66
5．2 思路\t68
5．2．1 用戶和品牌的各種特征\t69
5．2．2 二分類模型訓(xùn)練\t71
5．3 計(jì)算訓(xùn)練數(shù)據(jù)集\t71
5．3．1 原始數(shù)據(jù)劃分\t72
5．3．2 計(jì)算特征\t74
5．3．3 計(jì)算標(biāo)簽\t89
5．4 二分類模型訓(xùn)練\t90
5．4．1 正負(fù)樣本配比\t90
5．4．2 邏輯回歸算法\t92
5．4．3 隨機(jī)森林算法\t94
第6章聚類與分類\t96
6．1 數(shù)據(jù)可視化\t97
6．2 K-Means聚類\t98
6．2．1 聚類、評(píng)估流程\t100
6．2．2 聚成兩類\t101
6．2．3 聚成三類\t103
6．3 K最近鄰算法\t104
6．3．1 使用KNN算法進(jìn)行分類\t105
6．3．2 算法比較\t108
6．4 多分類模型\t109
6．4．1 使用樸素貝葉斯算法\t109
6．4．2 使用邏輯回歸多分類算法\t112
6．4．3 使用隨機(jī)森林算法\t115
6．4．4 各多分類模型效果對(duì)比\t118
第7章葡萄酒品質(zhì)預(yù)測(cè)\t119
7．1 數(shù)據(jù)探索\t120
7．2 線性回歸\t123
7．3 GBDT回歸\t125
第8章文本分析\t127
8．1 分詞\t128
8．2 詞頻統(tǒng)計(jì)\t130
8．3 單詞的區(qū)分度\t131
8．4 字符串比較\t133
8．5 抽取關(guān)鍵詞、關(guān)鍵句\t139
8．5．1 原理簡(jiǎn)介\t139
8．5．2 完整流程\t141
8．6 主題模型\t146
8．6．1 LDA模型\t147
8．6．2 新聞的主題模型\t149
8．6．3 數(shù)據(jù)預(yù)處理\t150
8．6．4 主題與原始分類的關(guān)系\t153
8．7 單詞映射為向量\t160
8．7．1 相近單詞\t162
8．7．2 單詞聚類\t165
8．8 組件使用小結(jié)\t168
第9章基于用戶退貨描述的賠付預(yù)測(cè)\t170
9．1 思路\t171
9．2 訓(xùn)練集的特征生成\t173
9．3 測(cè)試集的特征生成\t180
9．4 模型訓(xùn)練、預(yù)測(cè)、評(píng)估\t181
9．5 提高召回率\t185
第10章情感分析\t189
10．1 詞袋模型\t190
10．1．1 訓(xùn)練集的特征生成\t192
10．1．2 測(cè)試集的特征生成\t196
10．1．3 模型訓(xùn)練、預(yù)測(cè)、評(píng)估\t197
10．2 詞向量模型\t200
10．2．1 特征生成\t201
10．2．2 模型訓(xùn)練\t206
第11章影片推薦\t211
11．1 協(xié)同過(guò)濾\t212
11．2 整體流程\t213
11．3 預(yù)處理，過(guò)濾出好評(píng)信息\t215
11．4 計(jì)算影片間的相似度\t215
11．5 計(jì)算用戶可能喜歡的影片\t221
11．6 查看推薦效果\t224
第12章支持深度學(xué)習(xí)框架\t227
12．1 TensorFlow組件簡(jiǎn)介\t227
12．2 Softmax模型\t231
12．3 深度神經(jīng)網(wǎng)絡(luò)\t234
附錄A\t237