机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了TensorFlow、PySpark、TI-ONE等主流机器学习平台的主要特点；然后结合Tableau介绍了数据可视化在银行客户用卡行为分析的应用。在此基础上，利用上述介绍的这些平台，通过多个项目案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、卷积神经网络、循环神经网络、对抗
电子书
内容简介
机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了主流机器学习平台的主要特点以及机器学习的实战难点。在此基础上，利用主流的机器学习开源平台TensorFlow、OpenVINO、PaddlePaddle等，通过17个实战案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、聚类、卷积神经网络、循环神经网络、生成对抗网络等机器学习和深度学习算法在金融、零售、汽车、电力、交通、教育等典型领域的应用。
章节目录
- 扉页
- 版权页
- 前言
- 目录
- 第1章 机器学习基础
- 1.1 常用机器学习工具
- 1.2 数据分析技能培养
- 1.3 Anaconda 的安装与使用
- 第2章 贷款违约行为预测
- 2.1 建立信用评估模型的必要性
- 2.2 数据预处理
- 2.2.1 原始数据集
- 2.2.2 基础表数据预处理
- 2.2.3 多表合并
- 2.3 模型选择
- 2.3.1 带正则项的Logistic 回归模型
- 2.3.2 朴素贝叶斯模型
- 2.3.3 随机森林模型
- 2.3.4 SVM模型
- 2.4 整体流程
- 2.4.1 初始表预处理与合并
- 2.4.2 拆分数据集
- 2.4.3 模型训练和评估
- 2.5 客户细分
- 第3章 保险风险预测
- 3.1 背景介绍
- 3.2 数据预处理
- 3.2.1 数据加载
- 3.2.2 缺失值处理
- 3.2.3 属性值的合并与连接
- 3.2.4 数据转换
- 3.2.5 数据标准化和归一化
- 3.3 多维分析
- 3.4 基于神经网络模型预测保险风险
- 3.5 使用SVM 预测保险风险
- 第4章 银行客户流失预测
- 4.1 问题描述
- 4.2 数据预处理
- 4.2.1 非数值特征处理
- 4.2.2 数据离散化处理
- 4.2.3 数据筛选
- 4.2.4 数据分割
- 4.3 数据建模
- 4.3.1 决策树模型
- 4.3.2 构建决策树模型
- 4.4 模型校验评估
- 4.4.1 混淆矩阵
- 4.4.2 ROC 曲线
- 4.4.3 决策树参数优化
- 4.4.4 k 折交叉验证
- 4.5 算法性能比较
- 第5章 基于深度神经网络的股票预测
- 5.1 股票趋势预测的分析思路
- 5.2 数据预处理
- 5.2.1 数据归一化
- 5.2.2 加窗处理
- 5.2.3 分割数据集
- 5.2.4 标签独热编码转化
- 5.3 模型训练
- 5.4 模型评估
- 5.5 模型比较
- 第6章 保险产品推荐保
- 6.1 保险产品推荐的流程
- 6.2 数据提取
- 6.3 数据预处理
- 6.3.1 去重和合并数据集
- 6.3.2 缺失值处理
- 6.3.3 特征选择
- 6.3.4 类型变量独热编码化
- 6.3.5 数值变量规范化
- 6.3.6 生成训练集和测试集
- 6.4 构建保险预测模型
- 6.5 模型评估
- 第7章 零售商品销售预测
- 7.1 问题分析
- 7.2 数据探索
- 7.3 数据预处理
- 7.3.1 填补缺失值
- 7.3.2 修正异常值
- 7.3.3 新建字段
- 7.3.4 类型变量数值化和独热编码化
- 7.3.5 数据导出
- 7.4 建立销售量预测模型
- 7.4.1 线性回归模型
- 7.4.2 Ridge 回归模型
- 7.4.3 LASSO 回归模型
- 7.4.4 Elastic Net 回归模型
- 7.4.5 决策树回归模型
- 7.4.6 梯度提升树回归模型
- 7.4.7 随机森林回归模型
- 7.5 模型评估
- 第8章 汽车备件销售预测
- 8.1 数据理解
- 8.2 数据预处理
- 8.2.1 属性的删除
- 8.2.2 处理缺失值
- 8.2.3 异常值处理
- 8.2.4 数据格式转换
- 8.3 建模分析与评估
- 8.3.1 回归决策树算法
- 8.3.2 时间序列分析
- 8.3.3 聚类分析
- 第9章 火力发电厂工业蒸汽量预测
- 9.1 确定业务问题
- 9.2 数据理解
- 9.3 工业蒸汽量的预测建模过程
- 9.3.1 数据预处理
- 9.3.2 建模分析与评估
- 第10章 图片风格转化
- 10.1 CycleGAN 原理
- 10.2 模型比较
- 10.2.1 CycleGAN 与pix2pix
- 10.2.2 CycleGAN 与DistanceGAN
- 10.3 使用TensorFlow 实现图片风格转化
- 第11章 车道检测
- 11.1 数据预处理
- 11.2 网络模型选择
- 11.3 构建车道检测模型
- 11.4 训练模型
- 11.5 车道检测模型测试
- 第12章 GRU算法在基于Session的推荐系统中的应用
- 12.1 问题分析
- 12.2 数据探索与预处理
- 12.2.1 数据变换
- 12.2.2 数据过滤
- 12.2.3 数据分割
- 12.2.4 格式转换
- 12.3 构建GRU 模型
- 12.3.1 GRU 概述
- 12.3.2 构建GRU 推荐模型
- 12.4 模型评估
- 第13章 人脸老化预测
- 13.1 问题分析
- 13.2 图片编码与GAN 设计
- 13.3 模型实现
- 13.4 实验分析
- 第14章 出租车轨迹数据分析
- 14.1 数据获取
- 14.2 数据预处理
- 14.3 数据分析
- 14.3.1 出租车区域推荐以及交通管理建议
- 14.3.2 城市规划建议
- 第15章 城市声音分类
- 15.1 数据准备与探索
- 15.2 特征提取
- 15.3 构建城市声音分类模型
- 15.3.1 使用MLP 训练声音分类模型
- 15.3.2 使用LSTM 与GRU 网络训练声音分类模型
- 15.3.3 使用CNN 训练声音分类模型
- 15.4 声音分类模型评估
- 15.4.1 MLP 网络性能评估
- 15.4.2 L STM与GRU网络性能评估
- 15.4.3 CNN 性能评估
- 第16章 基于YOLO的智能交通灯控制
- 16.1 目标检测原理
- 16.2 OpenVINO 模型优化
- 16.3 系统运行环境
- 16.4 模型转化
- 16.4.1 视频采集与处理
- 16.4.2 检测结果可视化
- 16.4.3 交通灯控制模块
- 第17章 基于GoogLeNet的危险物品检测
- 17.1 GoogLeNet 简介
- 17.2 运行环境
- 17.3 危险物品检测模型实现
- 17.3.1 视频采集与处理
- 17.3.2 检测结果可视化
- 17.3.3 检测报警
- 第18章 基于PoseNet的人体姿态估计
- 18.1 PoseNet 动作分析
- 18.2 视频采集与处理
- 18.3 PoseNet 模型调用
- 第19章 安全驾驶检测
- 19.1 导入Python 相关的模块包
- 19.2 数据探索
- 19.3 数据预处理
- 19.4 模型构建及训练
- 19.5 模型验证
- 19.6 OpenVINO 的环境配置
- 19.7 模型转换
- 19.8 利用OpenVINO 运行优化后的IR 模型
- 第20章 O2O优惠券使用预测
- 20.1 数据来源分析
- 20.2 数据预处理
- 20.2.1 用户特征提取
- 20.2.2 商户特征提取
- 20.2.3 优惠券特征提取
- 20.2.4 生成训练和测试数据集
- 20.3 模型构建
- 20.3.1 构建RNN 网络模型
- 20.3.2 构建双向LSTM 网络模型
- 20.3.3 构建GRU 网络模型
- 20.4 实验结果
- 参考文献
展开全部
机器学习案例实战（第2版）是2021年由人民邮电出版社出版,作者赵卫东 著。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习案例实战（第2版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。
电子书
本书使用Python的机器学习算法库scikit-learn讲解机器学习重要算法的应用，内容包括机器学习认知、数据预处理、KNN算法、线性回归算法、逻辑回归算法、朴素贝叶斯算法、决策树与随机森林算法、支持向量机、k-mcans算法、神经网络、模型评估与优化。本书使用通俗易懂的语言、丰富的图表和大量的案例对机器学习的重要算法进行讲解，提供一条从实践出发掌握机器学习知识的途径，读者即使没有很扎实的数学
电子书
本书共11章，分别介绍了机器学习概述、数据准备、特征工程、有监督学习、无监督学习、智能推荐的相关知识，并介绍了市财政收入分析案例、基于非侵入式电力负荷监测与分解的电力分析案例、航空公司客户价值分析案例、广电大数据营销推荐案例以及基于TipDM数据挖掘建模平台实现航空公司客户价值分析案例。
电子书
本书共8章，内容包括Python概述、NumPy数值计算、pandas基础、pandas进阶、Matplotlib绘图、scikit-learn、餐饮企业综合分析与预测、通信运营商客户流失分析与预测。前6章设置了选择题、填空题和操作题，后两章设置了操作题，希望通过练习和操作实践，读者可以巩固所学的内容。
电子书
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书涵盖了机器学习和深度学习的基础知识，主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、文本分析、分布式机器学习算法等经典的机器学习基础知识，还包括卷积神经网络、循环神经网络、生成对抗网络、目标检测、自编码器等深度学习的内容。此外，本书还介绍了机器学习的热门应用领域推荐系统以及强化学习等主题。本书深入浅出、内容
电子书
周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书是《机器学习公式详解》（俗称“南瓜书”）的第2版。相较于第1版，本书对“西瓜书”中除了公式以外的重、难点内容加以解析，以过来人视角给出学习建议，旨在对比较难理解的公式和重点内容扩充具体的例子说明，以及对跳步过大的公式补充具体的推导细节。全书共16章，与“西瓜书”章节、公式对应，每个公式的推导和解释都以本科数学基础的视角
电子书
《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。《Python机器学习》力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩
