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...
电子书
内容简介
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。
章节目录
- 第1章机器学习概述
- 1.1机器学习简介
- 1.1.1机器学习的概念
- 1.1.2机器学习的应用领域
- 1.2机器学习通用流程
- 1.2.1目标分析
- 1.2.2数据准备
- 1.2.3特征工程
- 1.2.4模型训练
- 1.2.5性能度量与模型调优
- 1.3 Python 机器学习工具库简介
- 1.3.1数据准备相关工具库
- 1.3.2数据可视化相关工具库
- 1.3.3模型训练与评估相关工具库
- 小结
- 课后习题
- 第2章数据准备
- 2.1数据质量校验
- 2.1.1一致性校验
- 2.1.2缺失值校验
- 2.1.3 异常值分析
- 2.2数据分布与趋势探查
- 2.2.1分布分析
- 2.2.2对比分析
- 2.2.3描述性统计分析
- 2.2.4周期性分析
- 2.2.5贡献度分析
- 2.2.6相关性分析
- 2.3数据清洗
- 2.3.1缺失值处理
- 2.3.2异常值处理
- 2.4数据合并
- 2.4.1数据堆叠
- 2.4.2 主键合并
- 小结
- 课后习题
- 第3章特征工程
- 3.1 特征变换
- 3.1.1 特征缩放
- 3.1.2 独热编码
- 3.1.3 离散化
- 3.2 特征选择
- 3.2.1 过滤式选择
- 3.2.2 包裹式选择
- 3.2.3 嵌入式选择
- 3.2.4 字典学习
- 小结
- 课后习题
- 第4章有监督学习
- 4.1 有监督学习简介
- 4.2 性能度量
- 4.2.1 分类任务性能度量
- 4.2.2 回归任务性能度量
- 4.3 线性模型
- 4.3.1 线性模型简介
- 4.3.2 线性回归
- 4.3.3 逻辑回归
- 4.4 k 近邻分类
- 4.5 决策树
- 4.5.1 决策树简介
- 4.5.2 ID3 算法
- 4.5.3 C4.5 算法
- 4.5.4 CART 算法
- 4.6 支持向量机
- 4.6.1 支持向量机简介
- 4.6.2 线性支持向量机
- 4.6.3 非线性支持向量机
- 4.7 朴素贝叶斯
- 4.8 神经网络
- 4.8.1 神经网络介绍
- 4.8.2 BP 神经网络
- 4.9 集成学习
- 4.9.1 Bagging
- 4.9.2 Boosting
- 4.9.3 Stacking
- 小结
- 课后习题
- 第5章无监督学习
- 5.1 无监督学习简介
- 5.2 降维
- 5.2.1 PCA
- 5.2.2 核化线性降维
- 5.3 聚类任务
- 5.3.1 性能度量
- 5.3.2 距离计算
- 5.3.3 原型聚类
- 5.3.4 密度聚类
- 5.3.5 层次聚类
- 小结
- 课后习题
- 第6章智能推荐
- 6.1 智能推荐简介
- 6.1.1 什么是推荐系统
- 6.1.2 智能推荐的应用
- 6.2 智能推荐性能度量
- 6.2.1 离线实验评价指标
- 6.2.2 用户调查评价指标
- 6.3 基于关联规则的智能推荐
- 6.3.1 关联规则和频繁项集
- 6.3.2 Apriori
- 6.3.3 FP-Growth
- 6.4 基于协同过滤的智能推荐
- 6.4.1 基于用户的协同过滤
- 6.4.2 基于物品的协同过滤
- 小结
- 课后习题
- 第7章市财政收入分析
- 7.1 目标分析
- 7.1.1 背景
- 7.1.2 数据说明
- 7.1.3 分析目标
- 7.2 数据准备
- 7.3 特征工程
- 7.3.1 Lasso 回归
- 7.3.2 特征选择
- 7.4 模型训练
- 7.4.1 灰色预测模型
- 7.4.2 关键特征预测
- 7.4.3 SVR 模型预测
- 7.5 性能度量
- 小结
- 课后习题
- 第8章 基于非侵入式电力负荷监测与分解的电力分析
- 8.1 目标分析
- 8.1.1 背景
- 8.1.2 数据说明
- 8.2 数据准备
- 8.2.1 数据探索
- 8.2.2 缺失值处理
- 8.3 特征工程
- 8.3.1 设备数据
- 8.3.2 周波数据
- 8.4 模型训练
- 8.5 性能度量
- 小结
- 课后习题
- 第9章航空公司客户价值分析
- 9.1 目标分析
- 9.1.1 背景
- 9.1.2 数据说明
- 9.1.3 分析目标
- 9.2 数据准备
- 9.2.1 数据探索
- 9.2.2 数据清洗
- 9.3 特征工程
- 9.3.1 特征构造
- 9.3.2 特征选择
- 9.3.3 特征变换
- 9.4 模型训练
- 9.5 性能度量
- 9.5.1 结果分析
- 9.5.2 客户价值分析
- 小结
- 课后习题
- 第10章广电大数据营销推荐
- 10.1 目标分析
- 10.1.1 背景
- 10.1.2 数据说明
- 10.1.3 分析目标
- 10.2 数据准备
- 10.2.1 数据获取
- 10.2.2 数据清洗
- 10.2.3 数据探索分析
- 10.3 特征工程
- 10.3.1 特征构造
- 10.3.2 节目信息的获取
- 10.4 模型构建
- 10.4.1 基于物品的协同过滤算法的推荐模型
- 10.4.2 基于Simple TagBased TF-IDF 算法的标签推荐模型
- 10.4.3 Popular 流行度推荐模型
- 10.5 性能度量
- 10.6 结果分析
- 小结
- 课后习题
- 第11章 基于TipDM数据挖掘建模平台实现航空公司客户价值分析
- 11.1 平台简介
- 11.1.1 首页
- 11.1.2 数据源
- 11.1.3 工程
- 11.1.4 系统组件
- 11.1.5 TipDM 数据挖掘建模平台的本地化部署
- 11.2 快速构建航空公司客户价值分析工程
- 11.2.1 数据获取
- 11.2.2 数据准备
- 11.2.3 特征工程
- 11.2.4 模型训练
- 小结
- 课后习题
- 参考文献
展开全部
机器学习原理与实战是2021年由人民邮电出版社出版,作者何伟，张良均 主编。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《机器学习原理与实战》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
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...
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...
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...
电子书
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...
电子书
本书共11章，主要介绍机器学习的基本概念和两大类常用的机器学习模型，即监督学习模型和非监督学习模型。
电子书
《机器视觉与机器学习——算法原理、框架应用与代码实现》内容共10章。第1章为绪论，包括机器视觉的相关概念，机器视觉的发展、基本任务、应用领域与困难，以及马尔视觉理论；第2章为数...