 |
-- 會員 / 註冊 --
|
 |
|
|
|
機器學習算法評估實戰 ( 簡體 字) |
| 作者：宋亞統 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 54457
詢問書籍請說出此書號！【缺書】
NT售價： 500 元 |
| 出版日：5/1/2021 |
| 頁數：244 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115552402 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：機器學習算法評估力求用科學的指標，對機器學習算法進行完整、可靠的評價。
本書詳細介紹機器學習算法評估的理論、方法和實踐。全書分為3個部分。第1部分包含第1章∼第3章，針對分類算法、回歸算法和聚類算法分別介紹對應的基礎理論和評估方法；第2部分包含第4章∼第8章，介紹更復雜的模型（如深度學習模型和集成樹模型）的對比與評估，并且針對它們實際應用的業務場景介紹一些特有的評估指標和評估體系；第3部分包含第9章∼第11章，總結算法評估的常用工具、技術及方法論，包括實用的可視化工具介紹，并討論機器學習算法的本質。
本書適合機器學習專業相關從業者和算法工程師閱讀，也適合想要從事人工智能和機器學習工作的人士學習和參考。 |
目錄：第 1章 分類的藝術 1
1.1 訓練集和測試集的選擇 1
1.2 準召率和P-R曲線 6
1.3 ROC和AUC 8
1.5 異常檢測 12
1.5 小結 14
第 2章 一個好的回歸算法 15
2.1 ME那些事 15
2.2 方差和偏差 17
2.3 欠擬合和過擬合 18
2.4 正則化方法 20
2.5 回歸算法的對比 24
2.5.1 線性回歸 24
2.5.2 局部加權線性回歸 25
2.5.3 嶺回歸 26
2.6 梯度下降的對比 26
2.6.1 一般的梯度下降 26
2.6.2 隨機梯度下降和批量梯度下降 28
2.6.3 動量梯度下降 29
2.6.4 AdaGrad、RMSProp和Adam 29
2.7 小結 31
第3章 “硬核”聚類 33
3.1 無監督學習 33
3.2 聚類算法的評估指標 34
3.2.1 霍普金斯統計量 34
3.2.2 類簇的數量 35
3.2.3 聚類效果 39
3.3 聚類算法的對比 44
3.3.1 基于密度的聚類 44
3.3.2 K-means 45
3.3.3 基于層次的聚類 46
3.3.4 基于概率的聚類 47
3.4 小結 48
第4章 慧眼識天下——深度學習算法原理對比 49
4.1 卷積神經網絡 49
4.1.1 簡單的卷積神經網絡 49
4.1.2 詳解卷積神經網絡 53
4.2 循環神經網絡 60
4.2.1 圖解RNN 60
4.2.2 RNN的訓練 65
4.2.3 RNN的變化形式 67
4.3 更實用的模型 68
4.3.1 LSTM 69
4.3.2 Seq2Seq 71
4.3.3 注意力機制 73
4.4 小結 74
第5章 智慧的語言——NLP算法實戰與評估 76
5.1 文字的預處理 76
5.1.1 嵌入 76
5.1.2 word2vec 77
5.1.3 詞袋模型與TF-IDF 82
5.2 RNN文本分類 84
5.2.1 RNN文本分類的模塊 84
5.2.2 參數定義 84
5.2.3 預處理 85
5.2.4 模型定義 86
5.2.5 模型訓練和評估 87
5.3 HAN文本分類 88
5.3.1 HAN和GRU的基本原理 88
5.3.2 HAN的注意力層 90
5.4 NLP評估 92
5.4.1 N-gram 92
5.4.2 BLEU 93
5.4.3 ROUGE 96
5.4.4 Pointwise、Pairwise和Listwise排序算法 98
5.5 小結 100
第6章 預言家的思考——樹模型的對比與評估 101
6.1 基礎樹模型的對比 101
6.1.1 ID3 101
6.1.2 C4.5 103
6.1.3 CART 104
6.2 隨機森林和AdaBoost 106
6.2.1 隨機森林 106
6.2.2 AdaBoost 108
6.3 GBDT 110
6.3.1 GBDT簡介 110
6.3.2 GBDT和回歸問題 111
6.3.3 GBDT和分類問題 117
6.4 XGBoost 124
6.4.1 XGBoost簡介 124
6.4.2 XGBoost回歸算法 127
6.4.3 XGBoost分類算法 132
6.4.4 XGBoost的優化方法和特征評估 136
6.4.5 GBDT和XGBoost的對比評估 139
6.5 小結 140
第7章 愛我所愛——推薦算法對比與評估 141
7.1 多路召回 141
7.1.1 基于用戶的協同過濾 141
7.1.2 基于物品的協同過濾 144
7.2 邏輯斯諦回歸 145
7.2.1 邏輯斯諦回歸的基本原理 145
7.2.2 邏輯斯諦回歸和推薦排序 148
7.3 FM、FFM和特征組合 150
7.3.1 FM基本原理 151
7.3.2 用FFM和GBDT進行高階特征組合 153
7.4 Wide&Deep 155
7.5 更有趣的模型——Transformer 157
7.5.1 模型整體架構 158
7.5.2 注意力機制 159
7.5.3 編碼器 163
7.5.4 解碼器 163
7.5.5 基于位置的前饋神經網絡 164
7.5.6 嵌入層 165
7.5.7 線性層和softmax層 166
7.5.8 Transformer在推薦系統的應用 167
7.6 推薦算法的評估 170
7.6.1 準確度指標 171
7.6.2 排序指標 172
7.6.3 覆蓋率 175
7.6.4 多樣性和新穎性 175
7.7 小結 176
第8章 奇門遁甲—LBS算法與評估 177
8.1 坐標 177
8.1.1 坐標生成 177
8.1.2 基于密度的坐標生成 179
8.1.3 基于GeoHash塊熱度的坐標生成 180
8.1.4 坐標質量評估 181
8.2 路線 183
8.2.1 路線相似度評估 183
8.2.2 路線規劃——Dijkstra算法 185
8.2.3 路線排序 188
8.2.4 路線質量評估 194
8.3 小結 196
第9章 評估利器——交互式可視化 198
9.1 R語言簡介 198
9.1.1 為什么要可視化 198
9.1.2 R語言介紹 199
9.1.3 數據生態 202
9.2 Shiny可視化 204
9.2.1 UI布局 204
9.2.2 服務器 209
9.2.3 可視化評估示例 212
9.3 小結 215
第 10章 像哲學家一樣思考——因果推斷 216
10.1 機器學習之殤 216
鸚鵡學舌vs.烏鴉喝水 216
10.2 辛普森悖論 218
10.3 伯克森悖論 223
10.4 智能之梯 224
10.4.1 因果推斷的起源 224
10.4.2 智能之梯 225
10.5 因果推斷的方法 228
10.5.1 雙重差分模型 228
10.5.2 工具變量 229
10.5.3 中介模型 231
10.6 小結 232
第 11章 基礎評估方法——假設檢驗 234
11.1 卡方檢驗 234
11.2 T檢驗 236
11.3 Z檢驗和F檢驗 238
11.4 小結 241
參考文獻 242 |
| 序： |
|
