人工智能 类型
可以朗读 语音朗读
138千字 字数
2019-09-01 发行日期
展开全部

主编推荐语

实践结合讲解多种机器学习算法及应用。

内容简介

本教材结合项目实践，首先对机器学习及其过程的核心问题进行了总结，讨论机器学习过程的主要步骤需要关注之处。然后，介绍和比较了流行机器学习平台的主要特点。在此基础上，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、对抗生成网络等机器学习算法在保诚人寿保险风险预测、Kaggle Titanic 问题、图片转换与风格迁移、股票走势预测等领域的应用。

目录

  • 封面
  • 扉页
  • 版权信息
  • 目录
  • 内容提要
  • 前言 FOREWORD
  • 第1章 常用机器学习平台
  • 1.1 常用机器学习工具
  • 1.2 TI-ONE平台概述
  • 1.3 PySpark介绍
  • 1.4 TI-ONE机器学习平台主要的组件
  • 1.4.1 数据源组件
  • 1.4.2 机器学习组件
  • 1.4.3 输出组件
  • 1.4.4 模型评估组件
  • 第2章 银行信用卡风险的可视化分析
  • 2.1 Tableau简介
  • 2.2 客户信用等级影响因素
  • 2.3 客户消费情况对信用等级的影响
  • 2.4 客户拖欠情况对信用等级的影响
  • 2.5 欺诈客户特征分析
  • 第3章 贷款违约行为预测
  • 3.1 建立信用评估模型的必要性
  • 3.2 数据准备与预处理
  • 3.2.1 原始数据集
  • 3.2.2 基础表数据预处理
  • 3.2.3 多表合并
  • 3.3 模型选择
  • 3.3.1 带正则项的Logistic回归模型
  • 3.3.2 朴素贝叶斯模型
  • 3.3.3 随机森林模型
  • 3.3.4 SVM模型
  • 3.4 TI-ONE整体流程
  • 3.4.1 登录TI-ONE
  • 3.4.2 输入工作流名称
  • 3.4.3 上传数据
  • 3.4.4 数据预处理
  • 3.4.5 拆分出验证集
  • 3.4.6 拆分出测试集
  • 3.4.7 模型训练和评估
  • 第4章 保险风险预测
  • 4.1 背景介绍
  • 4.2 数据预处理
  • 4.2.1 数据加载与预览
  • 4.2.2 缺失值处理
  • 4.2.3 属性值的合并与连接
  • 4.2.4 数据转换
  • 4.2.5 数据标准化和归一化
  • 4.3 多维分析
  • 4.4 基于神经网络模型预测保险风险
  • 4.5 使用SVM预测保险风险
  • 第5章 银行客户流失预测
  • 5.1 问题描述
  • 5.2 数据上传
  • 5.3 数据预处理
  • 5.3.1 非数值特征处理
  • 5.3.2 数据离散化处理
  • 5.3.3 数据筛选
  • 5.3.4 数据格式转化
  • 5.3.5 数据分割
  • 5.4 数据建模
  • 5.5 模型校验评估
  • 5.5.1 二分类算法评估
  • 5.5.2 ROC曲线绘制
  • 5.5.3 决策树参数优化
  • 5.5.4 k折交叉验证
  • 5.6 工作流的运行
  • 5.7 算法性能比较
  • 第6章 基于深度神经网络的股票预测
  • 6.1 股票趋势预测的背景和分析思路
  • 6.2 数据提取
  • 6.3 数据预处理
  • 6.3.1 数据归一化
  • 6.3.2 加窗处理
  • 6.3.3 分割数据集
  • 6.3.4 标签独热编码转化
  • 6.4 模型训练
  • 6.5 算法评估
  • 6.6 算法比较
  • 第7章 保险产品推荐
  • 7.1 保险产品推荐的流程
  • 7.2 数据提取
  • 7.2.1 上传原始文件
  • 7.2.2 读取训练集和检验集
  • 7.3 数据预处理
  • 7.3.1 去重和合并数据集
  • 7.3.2 缺失值处理
  • 7.3.3 特征选择
  • 7.3.4 类型变量独热编码
  • 7.3.5 数值变量规范化
  • 7.3.6 生成训练集和检验集
  • 7.4 构建保险预测模型
  • 7.5 模型评估
  • 第8章 零售商品销售预测
  • 8.1 问题分析
  • 8.2 数据探索
  • 8.2.1 上传原始数据
  • 8.2.2 数据质量评估
  • 8.3 数据预处理
  • 8.3.1 填补缺失值
  • 8.3.2 修正异常值
  • 8.3.3 衍生字段
  • 8.3.4 类型变量数值化和独热编码化
  • 8.3.5 数据导出
  • 8.4 建立销售量预测模型
  • 8.4.1 线性回归模型
  • 8.4.2 Ridge回归模型
  • 8.4.3 Lasso回归模型
  • 8.4.4 Elastic Net回归模型
  • 8.4.5 决策树回归模型
  • 8.4.6 梯度提升树回归模型
  • 8.4.7 随机森林回归模型
  • 8.5 模型评估
  • 第9章 汽车备件销售预测
  • 9.1 数据理解
  • 9.2 数据分析流程
  • 9.2.1 设置数据源
  • 9.2.2 数据预处理
  • 9.2.3 建模分析与评估
  • 9.3 聚类分析
  • 第10章 火力发电厂工业蒸汽量预测
  • 10.1 确定业务问题
  • 10.2 数据理解
  • 10.3 工业蒸汽量的预测建模过程
  • 10.3.1 设置数据源
  • 10.3.2 数据预处理
  • 10.3.3 建模分析与评估
  • 第11章 图片风格转化
  • 11.1 CycleGAN原理
  • 11.2 图片风格转化整体流程
  • 11.2.1 设置数据源
  • 11.2.2 数据预处理
  • 11.2.3 模型训练
  • 11.2.4 验证模型参数以及测试集
  • 11.2.5 模型测试——转化图片风格
  • 11.3 运行工作流
  • 11.4 算法比较
  • 11.4.1 CycleGAN与pix2pix模型
  • 11.4.2 CycleGAN与DistanceGAN模型
  • 11.5 使用TensorFlow实现图片风格转化
  • 第12章 人类活动识别
  • 12.1 问题分析
  • 12.2 数据探索
  • 12.3 数据预处理
  • 12.4 模型构建
  • 12.5 模型评估
  • 第13章 GRU算法在基于Session的推荐系统的应用
  • 13.1 问题分析
  • 13.2 数据探索与预处理
  • 13.2.1 数据变换
  • 13.2.2 数据过滤
  • 13.2.3 数据分割
  • 13.2.4 格式转换
  • 13.3 构建GRU模型
  • 13.3.1 GRU概述
  • 13.3.2 构建GRU推荐模型
  • 13.4 模型评估
  • 第14章 人脸老化预测
  • 14.1 问题分析与数据集简介
  • 14.2 图片编码与GAN设计
  • 14.3 模型实现
  • 14.4 实验分析
  • 第15章 出租车轨迹数据分析
  • 15.1 数据获取
  • 15.2 数据预处理
  • 15.3 数据分析
  • 15.3.1 出租车区域推荐以及交通管理建议
  • 15.3.2 城市规划建议
  • 第16章 城市声音分类
  • 16.1 数据准备与探索
  • 16.2 数据特征提取
  • 16.3 构建城市声音分类模型
  • 16.3.1 使用MLP训练声音分类模型
  • 16.3.2 使用LSTM与GRU网络训练声音分类模型
  • 16.3.3 使用CNN训练声音分类模型
  • 16.4 声音分类模型评估
  • 16.4.1 MLP网络性能评估
  • 16.4.2 LSTM与GRU网络性能评估
  • 16.4.3 CNN性能评估
  • 后记 数据分析技能培养
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。