Python機器學習實戰(zhàn)案例（第2版）

定　價：￥59.00

作　者：	趙衛(wèi)東董亮
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302601241	出版時間：	2022-03-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：	251	字數(shù)：

內(nèi)容簡介

　　機器學習是人工智能的重要技術(shù)基礎，涉及的內(nèi)容十分廣泛。本書基于Python語言，實現(xiàn)了12個典型的實戰(zhàn)案例，其內(nèi)容涵蓋了機器學習的基礎算法，主要包括統(tǒng)計學習基礎、可視化、常用的分類算法、文本分析、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、注意力機制、生成對抗網(wǎng)絡、電子推薦系統(tǒng)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，注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(shù)據(jù)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(shù)人員的參考資料。

作者簡介

　　趙衛(wèi)東，復旦大學計算機科學技術(shù)學院副教授。主要負責本科生和各類研究生機器學習、大數(shù)據(jù)核心技術(shù)和商務智能（商務數(shù)據(jù)分析）等課程的教學。2011年紐約大學訪問學者、2015年上海市科技進步二等獎獲得者、CDA三級認證數(shù)據(jù)科學家、騰訊云和百度云機器學習認證講師。主講的商務智能課程被評為上海市精品課程以及CMOOC聯(lián)盟線上線下混合式教學改革項目，并獲得2013年高等教育上海市教學成果獎二等獎。目前主要研究方向包括機器學習應用和大數(shù)據(jù)分析等。主持國家自然科學基金2項，國家重點研發(fā)計劃子課題、上海市浦江人才以及企業(yè)合作課題等30多項。已在Knowledge and Information Systems， Information Processing & Management，Information Systems Frontiers等國內(nèi)外刊物和學術(shù)會議發(fā)表論文100多篇。出版專著、教材《機器學習》《機器學習案例實戰(zhàn)》《Python機器學習實戰(zhàn)案例》等10多部。

圖書目錄

第1章集裝箱危險品瞞報預測
1.1業(yè)務背景分析
1.2數(shù)據(jù)提取
1.3數(shù)據(jù)預處理
1.3.1數(shù)據(jù)集成
1.3.2數(shù)據(jù)清洗
1.3.3數(shù)據(jù)變換
1.3.4數(shù)據(jù)離散化
1.3.5特征重要性篩選
1.3.6數(shù)據(jù)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(chǎn)品推薦
2.1業(yè)務背景分析
2.2數(shù)據(jù)探索
2.3數(shù)據(jù)預處理
2.4分類模型構(gòu)建
2.5平衡數(shù)據(jù)集
2.6算法調(diào)參
2.7模型比較
思考題
第3章圖書類目自動標引系統(tǒng)
3.1業(yè)務背景分析
3.2數(shù)據(jù)提取
3.3數(shù)據(jù)預處理
3.4基于貝葉斯分類的文獻標引
3.4.1增量訓練
3.4.2特征降維與消歧
3.4.3權(quán)重調(diào)節(jié)
3.5貝葉斯分類性能評估
3.6基于BERT算法的文獻標引
3.6.1數(shù)據(jù)預處理
3.6.2構(gòu)建訓練集
3.6.3模型實現(xiàn)
思考題

第4章基于分類算法的學習失敗預警
4.1業(yè)務背景分析
4.2學習失敗風險預測流程
4.3數(shù)據(jù)收集
4.4數(shù)據(jù)預處理
4.4.1數(shù)據(jù)探查及特征選擇
4.4.2數(shù)據(jù)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(wǎng)格搜索及模型訓練
4.5.2結(jié)果分析與可視化
4.5.3特征重要性分析
4.5.4與其他算法比較
思考題
第5章自然語言處理技術(shù)實例
5.1業(yè)務背景分析
5.2分析框架
5.3數(shù)據(jù)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章基于標簽的信息推薦系統(tǒng)
6.1業(yè)務背景分析
6.2數(shù)據(jù)預處理
6.2.1現(xiàn)有系統(tǒng)現(xiàn)狀
6.2.2數(shù)據(jù)預處理
6.3內(nèi)容分析
6.4基于協(xié)同過濾推薦
6.4.1用戶偏好矩陣構(gòu)建
6.4.2用戶相似度度量
6.5基于用戶興趣推薦
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(yè)客戶行為分析與流失預警
7.1業(yè)務背景分析
7.2數(shù)據(jù)預處理
7.2.1數(shù)據(jù)整理
7.2.2數(shù)據(jù)統(tǒng)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章基于深度學習的圖片識別系統(tǒng)
8.1業(yè)務背景分析
8.2圖片識別技術(shù)方案
8.3圖片預處理——表格旋轉(zhuǎn)
8.4圖片預處理——表格提取
8.5基于密集卷積網(wǎng)絡的文本識別模型
8.5.1訓練數(shù)據(jù)生成
8.5.2DenseNet模型訓練
8.5.3文本識別模型調(diào)用
8.6基于LSTM算法實現(xiàn)文本識別
8.6.1環(huán)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(shù)據(jù)探索
9.2數(shù)據(jù)預處理
9.2.1圖像尺寸調(diào)整
9.2.2載入數(shù)據(jù)
9.2.3圖像預處理
9.2.4持久化測試數(shù)據(jù)
9.3模型設計
9.3.1殘差塊
9.3.2上采樣 PixelShuffle方法
9.3.3生成器
9.3.4判別器
9.3.5損失函數(shù)與優(yōu)化器定義
9.3.6訓練過程
9.4實驗評估
思考題
第10章基于YOLO v5的電動車騎手頭盔檢測
10.1數(shù)據(jù)集的準備
10.2數(shù)據(jù)劃分與預處理
10.3YOLO v5模型訓練和優(yōu)化
10.4YOLO v5模型應用
10.5YOLO v5模型移植
10.5.1模型轉(zhuǎn)換
10.5.2Android頭盔檢測應用實現(xiàn)
10.6總結(jié)
思考題
第11章基于UNET算法的農(nóng)業(yè)遙感圖像分割
11.1數(shù)據(jù)準備
11.2數(shù)據(jù)預處理
11.3UNet語義分割模型搭建
11.3.1定義訓練參數(shù)
11.3.2定義UNET主干特征提取網(wǎng)絡模塊
11.3.3定義UNET網(wǎng)絡
11.3.4數(shù)據(jù)增強
11.3.5獲取數(shù)據(jù)集以及模型
11.3.6設置回調(diào)函數(shù)
11.3.7設置損失函數(shù)
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(jié)
思考題
第12章基于自注意力、BiLSTM和TextCNN算法的新聞分類
12.1數(shù)據(jù)概況
12.2數(shù)據(jù)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(yōu)化
12.3.1SelfAttention模型
12.3.2BiLSTM模型
12.3.3TextCNN模型
12.4結(jié)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