機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)

定　價(jià)：￥59.80

作　者：	趙衛(wèi)東著
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥59.80)

ISBN：	9787115514103	出版時(shí)間：	2019-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	283	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　機(jī)器學(xué)習(xí)已經(jīng)廣泛地應(yīng)用于各行各業(yè)，深度學(xué)習(xí)的興起再次推動(dòng)了人工智能的熱潮。本書結(jié)合項(xiàng)目實(shí)踐，首先討論了TensorFlow、PySpark、TI-ONE等主流機(jī)器學(xué)習(xí)平臺(tái)的主要特點(diǎn)；然后結(jié)合Tableau介紹了數(shù)據(jù)可視化在銀行客戶用卡行為分析的應(yīng)用。在此基礎(chǔ)上，利用上述介紹的這些平臺(tái)，通過多個(gè)項(xiàng)目案例，詳細(xì)地分析了決策樹、隨機(jī)森林、支持向量機(jī)、邏輯回歸、貝葉斯網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、對(duì)抗生成網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法在金融、商業(yè)、汽車、電力等領(lǐng)域的應(yīng)用。本書內(nèi)容深入淺出，提供了詳細(xì)的 Python 代碼，既可以作為從事機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘的相關(guān)研究人員的參考書，也可以作為高校相關(guān)專業(yè)機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等課程的實(shí)驗(yàn)和實(shí)訓(xùn)教材。

作者簡(jiǎn)介

　　復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院副教授，博士。主要研究方向?yàn)樯虅?wù)數(shù)據(jù)分析和大數(shù)據(jù)分析。2015年度上海市科技進(jìn)步二等獎(jiǎng)獲得者。主持的“商務(wù)智能”課程被評(píng)為上海市精品課程，并獲得2013年度上海市高等教育教學(xué)成果二等獎(jiǎng)。主持完成國家自然科學(xué)基金、上海市浦江人才及企業(yè)合作課題等20多個(gè)項(xiàng)目。在國內(nèi)外期刊和相關(guān)學(xué)術(shù)會(huì)議發(fā)表論文90多篇。出版多本教材和專著

圖書目錄

第1章常用機(jī)器學(xué)習(xí)平臺(tái)． 1
1．1　常用機(jī)器學(xué)習(xí)工具1
1．2　TI-ONE 平臺(tái)概述3
1．3　PySpark 介紹4
1．4　TI-ONE 機(jī)器學(xué)習(xí)平臺(tái)主要的組件5
1．4．1　數(shù)據(jù)源組件　5
1．4．2　機(jī)器學(xué)習(xí)組件　6
1．4．3　輸出組件10
1．4．4　模型評(píng)估組件　11
第2章　銀行信用卡風(fēng)險(xiǎn)的可視化分析．　12
2．1　Tableau 簡(jiǎn)介13
2．2　用戶信用等級(jí)影響因素13
2．3　用戶消費(fèi)情況對(duì)信用等級(jí)的影響．19
2．4　用戶拖欠情況對(duì)信用等級(jí)的影響．24
2．5　欺詐用戶特征分析27
第3章　貸款違約行為預(yù)測(cè)．　31
3．1　建立信用評(píng)估模型的必要性31
3．2　數(shù)據(jù)準(zhǔn)備與預(yù)處理32
3．2．1　原始數(shù)據(jù)集　33
3．2．2　基礎(chǔ)表數(shù)據(jù)預(yù)處理　36
3．2．3　多表合并40
3．3　模型選擇．42
3．3．1　帶正則項(xiàng)的Logistic 回歸模型　42
3．3．2　樸素貝葉斯模型　42
3．3．3　隨機(jī)森林模型　42
3．3．4　SVM 模型　43
3．4　TI-ONE 整體流程43
3．4．1　登錄TI-ONE　44
3．4．2　輸入工作流名稱　44
3．4．3　上傳數(shù)據(jù)　45
3．4．4　數(shù)據(jù)預(yù)處理　46
3．4．5　拆分出驗(yàn)證集　50
3．4．6　拆分出測(cè)試集　51
3．4．7　模型訓(xùn)練和評(píng)估　51
第4章　保險(xiǎn)風(fēng)險(xiǎn)預(yù)測(cè)．61
4．1　背景介紹　61
4．2　數(shù)據(jù)預(yù)處理63
4．2．1　數(shù)據(jù)加載與預(yù)覽　63
4．2．2　缺失值處理　64
4．2．3　屬性值的合并與連接　65
4．2．4　數(shù)據(jù)轉(zhuǎn)換　66
4．2．5　數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化　67
4．3　多維分析．67
4．4　基于神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)保險(xiǎn)風(fēng)險(xiǎn)．70
4．5　使用SVM 預(yù)測(cè)保險(xiǎn)風(fēng)險(xiǎn)．74
第5章　銀行客戶流失預(yù)測(cè)　80
5．1　問題描述　80
5．2　數(shù)據(jù)上傳．82
5．3　數(shù)據(jù)預(yù)處理83
5．3．1　非數(shù)值特征處理　83
5．3．2　數(shù)據(jù)離散化處理　83
5．3．3　數(shù)據(jù)篩選　85
5．3．4　數(shù)據(jù)格式轉(zhuǎn)化　86
5．3．5　數(shù)據(jù)分割　87
5．4　數(shù)據(jù)建模　88
5．5　模型校驗(yàn)評(píng)估　91
5．5．1　二分類算法評(píng)估　91
5．5．2　ROC 曲線繪制．　92
5．5．3　決策樹參數(shù)優(yōu)化　94
5．5．4　k 折交叉驗(yàn)證．　95
5．6　工作流的運(yùn)行．95
5．7　算法性能比較．98
第6章　基于深度神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)　100
6．1　股票趨勢(shì)預(yù)測(cè)的背景和分析思路100
6．2　數(shù)據(jù)提?。?03
6．3　數(shù)據(jù)預(yù)處理103
6．3．1　數(shù)據(jù)歸一化103
6．3．2　加窗處理104
6．3．3　分割數(shù)據(jù)集106
6．3．4　標(biāo)簽獨(dú)熱編碼轉(zhuǎn)化106
6．4　模型訓(xùn)練．106
6．5　算法評(píng)估．110
6．6　算法比較．111
第7章　保險(xiǎn)產(chǎn)品推薦119
7．1　保險(xiǎn)產(chǎn)品推薦的流程．120
7．2　數(shù)據(jù)提取．121
7．2．1　上傳原始文件　121
7．2．2　讀取訓(xùn)練集和檢驗(yàn)集　122
7．3　數(shù)據(jù)預(yù)處理124
7．3．1　去重和合并數(shù)據(jù)集124
7．3．2　缺失值處理　125
7．3．3　特征選擇　126
7．3．4　類型變量獨(dú)熱編碼　127
7．3．5　數(shù)值變量規(guī)范化　127
7．3．6　生成訓(xùn)練集和檢驗(yàn)集　128
7．4　構(gòu)建保險(xiǎn)預(yù)測(cè)模型129
7．5　模型評(píng)估．131
第8章　零售商品銷售預(yù)測(cè)．　133
8．1　問題分析．133
8．2　數(shù)據(jù)探索．135
8．2．1　上傳原始數(shù)據(jù)　135
8．2．2　數(shù)據(jù)質(zhì)量評(píng)估　136
8．3　數(shù)據(jù)預(yù)處理139
8．3．1　填補(bǔ)缺失值　139
8．3．2　修正異常值　140
8．3．3　衍生字段　141
8．3．4　類型變量數(shù)值化和獨(dú)熱編碼化　142
8．3．5　數(shù)據(jù)導(dǎo)出　143
8．4　建立銷售量預(yù)測(cè)模型．143
8．4．1　線性回歸模型　144
8．4．2　Ridge 回歸模型．　145
8．4．3　Lasso 回歸模型．　145
8．4．4　Elastic Net 回歸模型．　146
8．4．5　決策樹回歸模型　146
8．4．6　梯度提升樹回歸模型　147
8．4．7　隨機(jī)森林回歸模型　148
8．5　模型評(píng)估．148
第9章　汽車備件銷售預(yù)測(cè)．　151
9．1　數(shù)據(jù)理解．151
9．2　數(shù)據(jù)分析流程．152
9．2．1　設(shè)置數(shù)據(jù)源　152
9．2．2　數(shù)據(jù)預(yù)處理　155
9．2．3　建模分析與評(píng)估　158
9．3　聚類分析．162
第10章　火力發(fā)電廠工業(yè)蒸汽量預(yù)測(cè)．166
10．1　確定業(yè)務(wù)問題．166
10．2　數(shù)據(jù)理解．166
10．3　工業(yè)蒸汽量的預(yù)測(cè)建模過程167
10．3．1　設(shè)置數(shù)據(jù)源　168
10．3．2　數(shù)據(jù)預(yù)處理　168
10．3．3　建模分析與評(píng)估　172
第11章　圖片風(fēng)格轉(zhuǎn)化．179
11．1　CycleGAN 原理．180
11．2　圖片風(fēng)格轉(zhuǎn)化整體流程182
11．2．1　設(shè)置數(shù)據(jù)源　183
11．2．2　數(shù)據(jù)預(yù)處理184
11．2．3　模型訓(xùn)練　186
11．2．4　驗(yàn)證模型參數(shù)以及測(cè)試集　193
11．2．5　模型測(cè)試——轉(zhuǎn)化圖片風(fēng)格194
11．3　運(yùn)行工作流195
11．4　算法比較．198
11．4．1　CycleGAN 與pix2pix 模型．　198
11．4．2　CycleGAN 與DistanceGAN 模型　198
11．5　使用TensorFlow 實(shí)現(xiàn)圖片風(fēng)格轉(zhuǎn)化．199
第12章　人類活動(dòng)識(shí)別．206
12．1　問題分析．206
12．2　數(shù)據(jù)探索．207
12．3　數(shù)據(jù)預(yù)處理209
12．4　模型構(gòu)建．210
12．5　模型評(píng)估．214
第13章　GRU 算法在基于Session 的推薦系統(tǒng)的應(yīng)用　221
13．1　問題分析．221
13．2　數(shù)據(jù)探索與預(yù)處理222
13．2．1　數(shù)據(jù)變換　223
13．2．2　數(shù)據(jù)過濾　223
13．2．3　數(shù)據(jù)分割　223
13．2．4　格式轉(zhuǎn)換224
13．3　構(gòu)建GRU 模型225
13．3．1　GRU 概述　225
13．3．2　構(gòu)建GRU 推薦模型．　226
13．4　模型評(píng)估．229
第14章　人臉老化預(yù)測(cè)　233
14．1　問題分析與數(shù)據(jù)集簡(jiǎn)介233
14．2　圖片編碼與GAN 設(shè)計(jì)．234
14．3　模型實(shí)現(xiàn)．235
14．4　實(shí)驗(yàn)分析．236
第15章　出租車軌跡數(shù)據(jù)分析　243
15．1　數(shù)據(jù)獲?。?44
15．2　數(shù)據(jù)預(yù)處理246
15．3　數(shù)據(jù)分析．252
15．3．1　出租車區(qū)域推薦以及交通管理建議　252
15．3．2　城市規(guī)劃建議　257
第16章　城市聲音分類．261
16．1　數(shù)據(jù)準(zhǔn)備與探索261
16．2　數(shù)據(jù)特征提?。?68
16．3　構(gòu)建城市聲音分類模型271
16．3．1　使用MLP 訓(xùn)練聲音分類模型　271
16．3．2　使用LSTM 與GRU 網(wǎng)絡(luò)訓(xùn)練聲音分類模型．　273
16．3．3　使用CNN 訓(xùn)練聲音分類模型　274
16．4　聲音分類模型評(píng)估275
16．4．1　MLP 網(wǎng)絡(luò)性能評(píng)估　275
16．4．2　LSTM 與GRU 網(wǎng)絡(luò)性能評(píng)估．　276
16．4．3　CNN 性能評(píng)估　277
后記　數(shù)據(jù)分析技能培養(yǎng)　279
參考文獻(xiàn)．　282