Python機器學習實戰(zhàn)案例

目錄


第1章集裝箱危險品瞞報預測

1.1業(yè)務背景分析

1.2數(shù)據(jù)提取

1.3數(shù)據(jù)預處理

1.3.1數(shù)據(jù)集成

1.3.2數(shù)據(jù)清洗

1.3.3數(shù)據(jù)變換

1.3.4數(shù)據(jù)離散化

1.3.5特征重要性篩選

1.3.6數(shù)據(jù)平衡

1.4危險品瞞報預測建模

1.5模型評估

第2章保險產(chǎn)品推薦

2.1業(yè)務背景分析

2.2數(shù)據(jù)探索

2.3數(shù)據(jù)預處理

2.4分類模型構(gòu)建

2.5平衡數(shù)據(jù)集

2.6算法調(diào)參

2.7模型比較

第3章圖書類目自動標引系統(tǒng)

3.1業(yè)務背景分析

3.2數(shù)據(jù)提取

3.3數(shù)據(jù)預處理

3.4基于貝葉斯分類的文獻標引

3.4.1增量訓練

3.4.2特征降維與消歧

3.4.3權(quán)重調(diào)節(jié)


3.5性能評估與結(jié)論

3.6基于BERT算法的文獻標引

3.6.1數(shù)據(jù)預處理

3.6.2構(gòu)建訓練集

3.6.3模型實現(xiàn)





第4章基于分類算法的學習失敗預警

4.1業(yè)務背景分析

4.2學習失敗風險預測流程

4.3數(shù)據(jù)收集

4.4數(shù)據(jù)預處理

4.4.1數(shù)據(jù)探查及特征選擇

4.4.2數(shù)據(jù)集劃分及不平衡樣本處理

4.4.3樣本生成及標準化處理

4.5隨機森林算法

4.5.1網(wǎng)格搜索及模型訓練

4.5.2結(jié)果分析與可視化

4.5.3特征重要性分析

4.5.4與其他算法比較

第5章自然語言處理技術實例

5.1業(yè)務背景分析

5.2分析框架

5.3數(shù)據(jù)收集

5.4建立模型

5.4.1文本分詞

5.4.2主題詞提取

5.4.3情感分析

5.4.4語義角色標記

5.4.5語言模型

5.4.6詞向量模型Word2vec

第6章基于標簽的信息推薦系統(tǒng)

6.1業(yè)務背景分析

6.2數(shù)據(jù)預處理

6.2.1現(xiàn)有系統(tǒng)現(xiàn)狀

6.2.2數(shù)據(jù)預處理

6.3內(nèi)容分析

6.4基于協(xié)同過濾推薦

6.4.1用戶偏好矩陣構(gòu)建

6.4.2用戶相似度度量

6.5基于用戶興趣推薦

6.6“冷啟動”問題與混合策略

6.6.1冷啟動問題分析

6.6.2混合策略

第7章快銷行業(yè)客戶行為分析與流失預警

7.1業(yè)務背景分析

7.2數(shù)據(jù)預處理

7.2.1數(shù)據(jù)整理

7.2.2數(shù)據(jù)統(tǒng)計與探查

7.3用戶行為分析

7.3.1用戶流失風險評估

7.3.2流失風險預警模型集成

第8章基于深度學習的圖片識別系統(tǒng)

8.1業(yè)務背景分析

8.2圖片識別技術方案

8.3圖片預處理——表格旋轉(zhuǎn)

8.4圖片預處理——表格提取

8.5基于PaddlePaddle框架的文本識別

8.5.1環(huán)境安裝

8.5.2模型設計

8.5.3模型訓練

8.5.4模型使用

8.6基于密集卷積網(wǎng)絡的文本識別模型

8.6.1訓練數(shù)據(jù)生成

8.6.2DenseNet模型訓練

8.6.3文本識別模型調(diào)用

第9章超分辨率圖像重建

9.1數(shù)據(jù)探索

9.2數(shù)據(jù)預處理

9.2.1圖像尺寸調(diào)整

9.2.2載入數(shù)據(jù)

9.2.3圖像預處理

9.2.4持久化測試數(shù)據(jù)

9.3模型設計

9.3.1殘差塊

9.3.2上采樣 PixelShuffler

9.3.3生成器

9.3.4判別器

9.3.5損失函數(shù)與優(yōu)化器定義

9.3.6訓練過程

9.4實驗評估

第10章人類活動識別

10.1業(yè)務背景分析

10.2數(shù)據(jù)探索

10.3數(shù)據(jù)預處理

10.4模型構(gòu)建

10.5模型評估

附錄機器學習復習題

參考文獻