大數(shù)據(jù)與機器學習經(jīng)典案例：微課視頻版

定　價：￥69.80

作　者：	董相志，張志旺，田生文，曲海平著
出版社：	清華大學出版社
叢編項：	大數(shù)據(jù)與人工智能技術(shù)叢書
標　簽：	暫缺

購買這本書可以去

京東 (￥36.50)

ISBN：	9787302564249	出版時間：	2021-02-01	包裝：	平裝
開本：	16開	頁數(shù)：	312	字數(shù)：

內(nèi)容簡介

　　精心選取十個大數(shù)據(jù)與機器學習的實戰(zhàn)案例，采用迭代遞進模式，邊理論邊實踐，深入淺出，讓讀者在工程實踐中熏陶成長，在復雜系統(tǒng)設計中淬煉過硬本領。十個案例全部采用國際著名機構(gòu)發(fā)布的真實數(shù)據(jù)，研究領域涉及生物信息、圖像處理、商業(yè)零售、銀行金融、自然語言處理等。每個案例采用的數(shù)據(jù)集規(guī)模相對較大，鮮明體現(xiàn)了機器學習在大規(guī)模數(shù)據(jù)挖掘處理方面獨領風騷。

作者簡介

　　董相志，理學碩士，魯東大學信息與電氣工程學院副教授，主講《網(wǎng)絡編程》、《Android程序設計》、《機器學習》、《深度學習》、《人工智能》、《大數(shù)據(jù)與人工智能》、《Python程序設計》、《Web前端設計》、《Web后端設計》等課程。近年來第一作者出版教材三部，參加省部級課題二項，獲山東省軟科學一等獎一項，獲山東省教學成果二等獎一項。主要教學研究方向為大數(shù)據(jù)與人工智能、網(wǎng)絡編程等。

圖書目錄

目錄

第1章房價預測與回歸問題

1.1數(shù)據(jù)集

1.2訓練集觀察

1.3列變量觀察

1.4相關矩陣

1.5缺失數(shù)據(jù)

1.6離群值

1.7正態(tài)分布

1.8同方差與異方差

1.9線性回歸假設

1.10參數(shù)估計

1.11決定系數(shù)

1.12特征工程

1.13數(shù)據(jù)集劃分與標準化

1.14線性回歸模型

1.15嶺回歸模型

1.16Lasso回歸模型

1.17ElasticNet回歸模型

1.18XGBoost回歸模型

1.19Voting回歸模型

1.20Stacking回歸模型

1.21模型比較

小結(jié)

習題

第2章人體蛋白圖譜與卷積神經(jīng)網(wǎng)絡

2.1數(shù)據(jù)集

2.2訓練集觀察

2.3標簽向量化

2.4均衡性檢查

2.5構(gòu)建新訓練集

2.6卷積運算

2.7邊緣擴充

2.8卷積步長

2.9三維卷積

2.10定義卷積層

2.11簡單卷積神經(jīng)網(wǎng)絡

2.12定義池化層

2.13經(jīng)典結(jié)構(gòu)LeNet5

2.14卷積網(wǎng)絡結(jié)構(gòu)剖析

2.15為什么使用卷積

2.16數(shù)據(jù)集劃分

2.17圖像的特征表示

2.18蛋白圖像的特征矩陣

2.19數(shù)據(jù)標準化

2.20模型定義

2.21模型訓練

2.22模型評估

2.23模型預測

小結(jié)

習題

第3章細胞圖像與深度卷積

3.1數(shù)據(jù)集

3.2數(shù)據(jù)采集

3.3數(shù)據(jù)集觀察

3.4數(shù)據(jù)分布

3.5篩選數(shù)據(jù)集

3.6神經(jīng)網(wǎng)絡

3.7符號化表示

3.8激勵函數(shù)

3.9損失函數(shù)

3.10梯度下降

3.11正向傳播

3.12反向傳播

3.13偏差與方差

3.14正則化

3.15MiniBatch梯度下降

3.16優(yōu)化算法

3.17參數(shù)與超參數(shù)

3.18Softmax回歸

3.19VGG16卷積網(wǎng)絡

3.20ResNet卷積網(wǎng)絡

3.211×1卷積

3.22Inception卷積網(wǎng)絡

3.23合成細胞彩色圖像

3.24數(shù)據(jù)集劃分

3.25制作HDF5數(shù)據(jù)集

3.26遷移學習與特征提取

3.27基于VGG16的遷移學習

3.28訓練ResNet50模型

3.29ResNet50模型預測

小結(jié)

習題

第4章自動駕駛與YOLO算法

4.1認識自動駕駛

4.2數(shù)據(jù)集

4.3數(shù)據(jù)集觀察

4.4變量觀察

4.5場景觀察

4.6場景動畫

4.7目標檢測

4.8特征點檢測

4.9滑動窗口實現(xiàn)目標檢測

4.10卷積方法實現(xiàn)滑動窗口

4.11初識YOLO算法

4.12交并比

4.13非極大值抑制

4.14Anchor Boxes

4.15YOLO技術(shù)演進

4.16用OpenCV顯示圖像

4.17用OpenCV播放視頻

4.18用GoogLeNet對圖像分類

4.19用GoogLeNet對視頻逐幀分類

4.20YOLO v3預訓練模型

4.21YOLO v3對圖像做目標檢測

4.22YOLO v3對視頻做目標檢測

4.23YOLO v3對駕駛場景做目標檢測

小結(jié)

習題

第5章AlphaFold與蛋白質(zhì)結(jié)構(gòu)預測

5.1什么是AlphaFold

5.2肽鍵、多肽與肽鏈

5.3蛋白質(zhì)的四級結(jié)構(gòu)

5.4數(shù)據(jù)集

5.5篩選蛋白質(zhì)序列

5.6計算殘基之間的距離

5.7二面角與拉氏構(gòu)象圖

5.8計算二面角Phi（Φ）和Psi（Ψ）

5.9裁剪殘基序列的OneHot矩陣

5.10裁剪評分矩陣和二面角標簽

5.11定義二面角預測模型

5.12二面角模型參數(shù)設定與訓練

5.13二面角模型預測與評價

5.14定義距離預測模型

5.15構(gòu)建殘基序列3D特征矩陣

5.16構(gòu)建3D評分矩陣

5.17定義距離標簽的3D矩陣

5.18距離模型參數(shù)設定與訓練

5.19距離模型預測與評價

小結(jié)

習題

第6章機器問答與BERT模型

6.1Google開放域數(shù)據(jù)集

6.2序列模型與RNN

6.3詞向量

6.4注意力機制

6.5Transformer模型

6.6BERT模型

6.7數(shù)據(jù)集分析

6.8F1分數(shù)

6.9定義BERT模型和RoBERTa模型

6.10訓練BERT微調(diào)模型

6.11用BERT微調(diào)模型預測

小結(jié)

習題

第7章蘋果樹病蟲害識別與模型集成

7.1數(shù)據(jù)集

7.2葉片觀察

7.3RGB通道觀察

7.4葉片圖像分類觀察

7.5葉片類別分布統(tǒng)計

7.6Canny邊緣檢測

7.7數(shù)據(jù)增強

7.8劃分數(shù)據(jù)集

7.9DenseNet模型定義

7.10DenseNet模型訓練

7.11DenseNet模型預測與評估

7.12EfficientNet模型定義

7.13EfficientNet模型訓練

7.14EfficientNet模型預測與評估

7.15EfficientNet Noisy Student模型

7.16EfficientDet模型

7.17模型集成

小結(jié)

習題

參考文獻