機器學(xué)習(xí)在線：解析阿里云機器學(xué)習(xí)平臺

第1章 阿里云機器學(xué)習(xí)\t1
1．1 產(chǎn)品特點\t1
1．2 名詞解釋\t2
1．3 構(gòu)建機器學(xué)習(xí)實驗\t3
1．3．1 新建實驗\t3
1．3．2 使用組件搭建工作流\t4
1．3．3 運行實驗、查看結(jié)果\t5
1．3．4 模型部署、在線預(yù)測\t6
第2章 商家作弊行為檢測\t7
2．1 數(shù)據(jù)探索\t8
2．2 建模、預(yù)測和評估\t15
2．3 嘗試其他分類模型\t19
2．4 判斷商家作弊\t24
第3章 生存預(yù)測\t27
3．1 數(shù)據(jù)集一\t27
3．1．1 特征分析\t28
3．1．2 生存預(yù)測\t33
3．2 數(shù)據(jù)集二\t36
3．2．1 隨機森林模型\t39
3．2．2 樸素貝葉斯模型\t47
第4章 信用風(fēng)險預(yù)測\t50
4．1 整體流程\t53
4．1．1 特征啞元化\t54
4．1．2 特征重要性\t57
4．2 模型效果評估\t61
4．3 減少模型特征的個數(shù)\t62
第5章 用戶購買行為預(yù)測\t65
5．1 數(shù)據(jù)探索\t66
5．2 思路\t68
5．2．1 用戶和品牌的各種特征\t69
5．2．2 二分類模型訓(xùn)練\t71
5．3 計算訓(xùn)練數(shù)據(jù)集\t71
5．3．1 原始數(shù)據(jù)劃分\t72
5．3．2 計算特征\t74
5．3．3 計算標(biāo)簽\t89
5．4 二分類模型訓(xùn)練\t90
5．4．1 正負樣本配比\t90
5．4．2 邏輯回歸算法\t92
5．4．3 隨機森林算法\t94
第6章 聚類與分類\t96
6．1 數(shù)據(jù)可視化\t97
6．2 K-Means聚類\t98
6．2．1 聚類、評估流程\t100
6．2．2 聚成兩類\t101
6．2．3 聚成三類\t103
6．3 K最近鄰算法\t104
6．3．1 使用KNN算法進行分類\t105
6．3．2 算法比較\t108
6．4 多分類模型\t109
6．4．1 使用樸素貝葉斯算法\t109
6．4．2 使用邏輯回歸多分類算法\t112
6．4．3 使用隨機森林算法\t115
6．4．4 各多分類模型效果對比\t118
第7章 葡萄酒品質(zhì)預(yù)測\t119
7．1 數(shù)據(jù)探索\t120
7．2 線性回歸\t123
7．3 GBDT回歸\t125
第8章 文本分析\t127
8．1 分詞\t128
8．2 詞頻統(tǒng)計\t130
8．3 單詞的區(qū)分度\t131
8．4 字符串比較\t133
8．5 抽取關(guān)鍵詞、關(guān)鍵句\t139
8．5．1 原理簡介\t139
8．5．2 完整流程\t141
8．6 主題模型\t146
8．6．1 LDA模型\t147
8．6．2 新聞的主題模型\t149
8．6．3 數(shù)據(jù)預(yù)處理\t150
8．6．4 主題與原始分類的關(guān)系\t153
8．7 單詞映射為向量\t160
8．7．1 相近單詞\t162
8．7．2 單詞聚類\t165
8．8 組件使用小結(jié)\t168
第9章 基于用戶退貨描述的賠付預(yù)測\t170
9．1 思路\t171
9．2 訓(xùn)練集的特征生成\t173
9．3 測試集的特征生成\t180
9．4 模型訓(xùn)練、預(yù)測、評估\t181
9．5 提高召回率\t185
第10章 情感分析\t189
10．1 詞袋模型\t190
10．1．1 訓(xùn)練集的特征生成\t192
10．1．2 測試集的特征生成\t196
10．1．3 模型訓(xùn)練、預(yù)測、評估\t197
10．2 詞向量模型\t200
10．2．1 特征生成\t201
10．2．2 模型訓(xùn)練\t206
第11章 影片推薦\t211
11．1 協(xié)同過濾\t212
11．2 整體流程\t213
11．3 預(yù)處理，過濾出好評信息\t215
11．4 計算影片間的相似度\t215
11．5 計算用戶可能喜歡的影片\t221
11．6 查看推薦效果\t224
第12章 支持深度學(xué)習(xí)框架\t227
12．1 TensorFlow組件簡介\t227
12．2 Softmax模型\t231
12．3 深度神經(jīng)網(wǎng)絡(luò)\t234
附錄A\t237