實用機器學習 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

Henrik，Brink，Joseph，W.，Richards ... 著，程繼洪 譯

齣版社： 機械工業齣版社

ISBN：9787111569220

版次：1

商品編碼：12083437

品牌：機工齣版

包裝：平裝

叢書名： 計算機科學先進技術譯叢

開本：16開

齣版時間：2017-06-01

用紙：膠版紙

字數：339

正文語種：中文

産品特色

編輯推薦

　　

本書獲央視財經頻道《第一時間》欄目推薦!

　　

隨著阿爾法狗在圍棋領域高奏凱歌，人工智能領域已成為當前引人注目的風口，而機器學習又是這風口中的風頭勁的熱點。本書從實戰角度剖析瞭機器學習的知識原理，讀者無需擔心遇到難懂的數學公式和推導，就能夠將機器學習的知識應用在自己熟悉的領域。《實用機器學習》還包含瞭三個機器學習真是應用的綜閤案例，本書所有代碼資源都可以通過網絡下載，讀者還可以登錄GITHUB與全球的機器學習愛好者共同交流本書的學習體驗。

內容簡介

　　

本書介紹瞭實用機器學習的工作流程，主要從實用角度進行瞭描述，沒有數學公式和推導。本書涵蓋瞭數據收集與處理、模型構建、評價和優化、特徵的識彆、提取和選擇技術、高級特徵工程、數據可視化技術以及模型的部署和安裝，結閤3個真實案例全麵、詳細地介紹瞭整個機器學習流程。後，還介紹瞭機器學習流程的擴展和大數據應用。

本書可以作為程序員、數據分析師、統計學傢、數據科學傢解決實際問題的參考書，也可以作為機器學習愛好者學習和應用的參考書，還可以作為非專業學生的機器學習入門參考書，以及專業學生的實踐參考書。

　　

作者簡介

　　HenrikBrink（亨裏剋·布林剋）是一名數據科學傢，對應用機器學習進行工業和學術應用開發有著豐富的經驗。

　　JosephRichards（約瑟夫W�崩聿樽齲┮彩且晃皇�據科學傢，具有應用統計和預測分析方麵的專業知識。Henrik和Joseph是Wise.io的聯閤創立者，Wise.io是一傢提供工業機器學習解決方案的開發商。

　　MarkFetherolf（馬剋·弗特羅夫）是數據管理和預測分析公司NuminaryDataScience的創始人和總裁。他曾在社會科學研究、化學工程、信息係統性能、容量規劃、有綫電視和在綫廣告應用等方麵擔任統計師和分析數據庫開發人員。

精彩書評

　　NULL

目錄

推薦序

作者序

緻謝

譯者序

關於本書

作者簡介

關於封麵插圖

第1部分機器學習工作流程

第1章什麼是機器學習

1.1理解機器學習

1.2使用數據進行決策

1.2.1傳統方法

1.2.2機器學習方法

1.2.3機器學習的五大優勢

1.2.4麵臨的挑戰

1.3跟蹤機器學習流程：從數據到部署

1.3.1數據集閤和預處理

1.3.2數據構建模型

1.3.3模型性能評估

1.3.4模型性能優化

1.4提高模型性能的高級技巧

1.4.1數據預處理和特徵工程

1.4.2用在綫算法持續改進模型

1.4.3具有數據量和速度的規模化模型

1.5總結

1.6本章術語

第2章實用數據處理

2.1起步：數據收集

2.1.1應包含哪些特徵

2.1.2如何獲得目標變量的真實值

2.1.3需要多少訓練數據

2.1.4訓練集是否有足夠的代錶性

2.2數據預處理

2.2.1分類特徵

2.2.2缺失數據處理

2.2.3簡單特徵工程

2.2.4數據規範化

2.3數據可視化

2.3.1馬賽剋圖

2.3.2盒圖

2.3.3密度圖

2.3.4散點圖

2.4總結

2.5本章術語

第3章建模和預測

3.1基礎機器學習建模

3.1.1尋找輸入和目標間的關係

3.1.2尋求好模型的目的

3.1.3建模方法類型

3.1.4有監督和無監督學習

3.2分類：把數據預測到桶中

3.2.1構建分類器並預測

3.2.2非綫性數據與復雜分類

3.2.3多類彆分類

3.3迴歸：預測數值型數據

3.3.1構建迴歸器並預測

3.3.2對復雜的非綫性數據進行迴歸

3.4總結

3.5本章術語

第4章模型評估與優化

4.1模型泛化：評估新數據的預測準確性

4.1.1問題：過度擬閤與樂觀模型

4.1.2解決方案：交叉驗證

4.1.3交叉驗證的注意事項

4.2分類模型評估

4.2.1分類精度和混淆矩陣

4.2.2準確度權衡與ROC麯綫

4.2.3多類彆分類

4.3迴歸模型評估

4.3.1使用簡單迴歸性能指標

4.3.2檢驗殘差

4.4參數調整優化模型

4.4.1機器學習算法和它們的調整參數

4.4.2網格搜索

4.5總結

4.6本章術語

第5章基礎特徵工程

5.1動機：為什麼特徵工程很有用

5.1.1什麼是特徵工程

5.1.2使用特徵工程的5個原因

5.1.3特徵工程與領域專業知識

5.2基本特徵工程過程

5.2.1實例：事件推薦

5.2.2處理日期和時間特徵

5.2.3處理簡單文本特徵

5.3特徵選擇

5.3.1前嚮選擇和反嚮消除

5.3.2數據探索的特徵選擇

5.3.3實用特徵選擇實例

5.4總結

5.5本章術語

第2部分實 際 應 用

第6章案例：NYC齣租車數據

6.1數據：NYC齣租車旅程和收費信息

6.1.1數據可視化

6.1.2定義問題並準備數據

6.2建模

6.2.1基本綫性模型

6.2.2非綫性分類器

6.2.3包含分類特徵

6.2.4包含日期-時間特徵

6.2.5模型的啓示

6.3總結

6.4本章術語

第7章高級特徵工程

7.1高級文本特徵

7.1.1詞袋模型

7.1.2主題建模

7.1.3內容拓展

7.2圖像特徵

7.2.1簡單圖像特徵

7.2.2提取物體和形狀

7.3時間序列特徵

7.3.1時間序列數據的類型

7.3.2時間序列數據的預測

7.3.3經典時間序列特徵

7.3.4事件流的特徵工程

7.4總結

7.5本章術語

第8章NLP高級案例：電影評論情感預測

8.1研究數據和應用場景

8.1.1數據集初探

8.1.2檢查數據

8.1.3應用場景有哪些

8.2提取基本NLP特徵並構建初始模型

8.2.1詞袋特徵

8.2.2用樸素貝葉斯算法構建模型

8.2.3tf-idf算法規範詞袋特徵

8.2.4優化模型參數

8.3高級算法和模型部署的考慮

8.3.1word2vec特徵

8.3.2隨機森林模型

8.4總結

8.5本章術語

第9章擴展機器學習流程

9.1擴展前需考慮的問題

9.1.1識彆關鍵點

9.1.2選取訓練數據子樣本代替擴展性

9.1.3可擴展的數據管理係統

9.2機器學習建模流程擴展

9.3預測擴展

9.3.1預測容量擴展

9.3.2預測速度擴展

9.4總結

9.5本章術語

第10章案例：數字顯示廣告

10.1顯示廣告

10.2數字廣告數據

10.3特徵工程和建模策略

10.4數據大小和形狀

10.5奇異值分解

10.6資源估計和優化

10.7建模

10.8K近鄰算法

10.9隨機森林算法

10.10其他實用考慮

10.11總結

10.12本章術語

10.13摘要和結論

附錄常用機器學習算法

名詞術語中英文對照

精彩書摘

　　《實用機器學習》：
　　真實的故事
　　在你開始構建模型之前，我們要告訴你首次解決問題的真實故事，那真的是超級糟糕，隻是我們假裝很成功，是那種失敗的不能再失敗的失敗，以及我們如何改正。這種“彎路”在實際數據工作中是很常見的，因此把它包含在這裏學習一下是很有幫助的。機器學習工作最重要的是警惕兩種陷阱：太好而不真實的情況和沒有根據的（非來源於數據的）不成熟假設。
　　作為機器學習的一條總體原則，如果交叉驗證的準確度高於你的期望，那很有可能是你的模型某些地方齣現瞭異常。作為數據科學傢，現實世界總會想辦法給你製造一些睏難。在構建有小費／無小費的分類模型時，我們很快得到瞭較高的交叉驗證預測準確性的模型。對於新獲得的數據模型性能如此之好，使我們很興奮，我們認為可行，暫時忽略瞭模型欺騙的警告。一朝被蛇咬的事我們見得多瞭，過於樂觀的結果迫使我們做進一步的調查。
　　我們關心的一個問題是輸入特徵的重要度（在後麵的小節有更詳細的論述）。在這個例子中，有一個特徵“支付類型”控製著模型的特徵重要度。
　　從我們自己的齣租車經驗來看，這是比較有意義的。用信用卡付款（前廣場時代）的乘客付小費的概率更低。如果現金支付，無論怎樣都會找零。因此我們開始對信用卡而不是現金付費的乘客的小費和無小費的數目進行區分。事實證明數以百萬計的用信用卡付費的乘客絕大多數（超過95%）支付小費。
　　理論上就是這樣瞭。那麼，到底多少人信用卡支付小費呢？所有的人嗎？
　　事實上，現金付費的乘客一個也沒有給小費的！這立即變得很明顯瞭。當乘客現金付費也給瞭小費時，司機並沒有記錄的必要，作為我們數據的一部分。通過我們機器學習精確的分析，我們發現，在NYC齣租車係統中存在數以百萬計的虛假記錄！
　　讓我們迴到對機器學習模型的影響上：在這種情況下，當數據産生時存在問題，就不能簡單地相信這些數據，並用於機器學習建模。在不正常的方式下，如果結果是不正確的，那麼機器學習模型學習的就有可能全是錯誤的，是與現實分離的。
　　……

前言/序言

　　《實用機器學習》的讀者對象是針對想要把機器學習應用於實際問題的人。它詳細闡述瞭機器學習的主要組成部分：工作流程、算法和工具。關注點是著名算法的實際應用，而不是創建一個算法。構建和使用機器學習模型的每個步驟都有詳細描述，並有從簡單到中等復雜的實例與之對應。

　　主要內容

　　第1部分，“機器學習工作流程”介紹基本的機器學習工作流程，並分章節對每個步驟加以介紹。

　　第1章，“什麼是機器學習”介紹機器學習的應用領域和用途。

　　第2章，“實用數據處理”，詳細介紹機器學習流程中的數據處理和準備工作。

　　第3章，“建模和預測”，介紹構建簡單的機器學習模型，並利用應用廣泛的算法和庫進行預測。

　　第4章，“模型評估和優化”，深入研究機器學習模型，並對其進行評估和性能優化。

　　第5章，“基礎特徵工程”，介紹利用領域知識對原始數據進行提高的常用方法。

　　第2部分，“實際應用”，介紹模型規模化和從文本、圖片和時間序列數據中提取特徵的技術，來提高絕大多數現代機器學習的性能。本部分包括3個有完整實例的章節。

　　第6章，“實例：NYC齣租車數據”，這是第一個完整實例章節，會預測乘客的傾嚮性行為。

　　第7章，“高級特徵工程”，包含高級特徵工程過程，介紹從自然語言的文本、圖片和時序序列數據中提取有價值的數據。

　　第8章，“NLP高級案例：電影評論情感預測”，運用高級特徵工程知識預測在綫電影評論的情感。

　　第9章，“擴展機器學習流程”，介紹擴大機器學習係統的數據規模、預測吞吐量和降低預測間隔的技術。

　　第10章，“案例：數字顯示廣告”，構建大型數據的模型，預測數字廣告點擊行為。

　　如何使用本書

　　如果你是機器學習新手，第1~5章將引導你學習研究和準備數據、特徵工程、建模和模型評估過程。Python實例采用流行的數據處理、pandas和Scikit-Learn機器學習庫。第6~10章，包括3個實際機器學習案例、高級特徵工程和優化的話題。由於學習庫封裝瞭大部分的復雜性，因此代碼示例可以很容易地應用到你自己的機器學習係統中。

　　目標讀者

　　本書可以使程序員、數據分析師、統計學傢、數據科學傢和其他專業人士將機器學習應用於實際問題，或者簡單地理解它。他們將獲得實用數據建模、優化和開發機器學習係統的經驗，而沒必要瞭解特定算法的理論推導。機器學習的數學基礎是針對感興趣的人的，某些算法在較高的層次上進行解釋，本書提供給那些想深入學習的人，我們的焦點是獲得實際結果以解決手頭的問題。

　　代碼約定，下載和軟件需求

　　本書包含許多示例源代碼，或者以編號的清單齣現，或者嵌入在正文中，但無論哪種情況，都以固定寬度的這種字體顯示，以區彆於正常的文本。

　　源代碼使用Python，pandas和Scikit-Learn編寫。與章節相應的iPython筆記文件可在GitHub上下載，地址為https://github�眂om/brinkar/real-world-machine-learning，也可以通過關注機械工業齣版社計算機分社官方微信訂閱號“IT有得聊”，輸入5位數號“56922”後獲得資源下載鏈接，還可以登錄golden-book.com搜索本書並進行下載。

　　筆記文件（擴展名為�眎pynb）與章節相對應。樣本數據包含在data文件夾中，隻要必需的庫隨iPython一起安裝，那麼所有的筆記文件都能執行。圖形由matplotlib和Seaborn的pyplot模塊生成。

　　在有些情況下，由iPython産生的圖形被提取齣來作為本書的插圖（為瞭適應打印質量和電子書顯示，有些已經做瞭修改）。

評分☆☆☆☆☆

搞活動時買的，價格便宜，慢慢看

評分☆☆☆☆☆

最近很火，學習學習

評分☆☆☆☆☆

書籍基本有塑封好評，就是書本薄瞭點，希望能趕上浪潮

評分☆☆☆☆☆

實用機器學習實用機器學習實用機器學習

評分☆☆☆☆☆

挺好，挺不錯，京東的活動就是好?

評分☆☆☆☆☆

不建議購買，講的太乾澀瞭。

評分☆☆☆☆☆

紙張質量不錯，慢慢學習

評分☆☆☆☆☆

理論和實操都要學

評分☆☆☆☆☆

給孩子買的，正版書，對孩子學習有幫助，第一次在京東買東西，發貨快。