實戰(zhàn)機器學(xué)習(xí)

第1章 機器學(xué)習(xí)解決問題流程
1．1 機器學(xué)習(xí)基礎(chǔ)
1．1．1 機器學(xué)習(xí)定義
1．1．2 機器學(xué)習(xí)流派
1．1．3 機器學(xué)習(xí)簡史
1．2 機器學(xué)習(xí)解決實際問題的流程
1．3 機器學(xué)習(xí)平臺介紹
1．3．1 阿里PAI
1．3．2 第四范式先知（Sage EE）
1．3．3 騰訊智能鈦機器學(xué)習(xí)（TI-ML）
1．3．4 中科院EasyML
1．3．5 百度機器學(xué)習(xí)BML
1．3．6 華為AI開發(fā)平臺ModelArts
1．3．7 微軟Azure機器學(xué)習(xí)服務(wù)
1．3．8 谷歌Cloud AutoML平臺
1．3．9 亞馬遜SageMaker“
1．4 本章小結(jié)
第2章 問題分析與建模
2．1 問題分析
2．1．1 明確和理解問題
2．1．2 拆解和定位問題
2．2 數(shù)據(jù)分析
2．2．1 描述統(tǒng)計分析
2．2．2 相關(guān)分析
2．2．3 回歸分析
2．2．4 分類分析
2．2．5 聚類分析
2．3 問題建模
2．4 心臟病UCI數(shù)據(jù)集案例
2．4．1 問題描述
2．4．2 問題分析
2．4．3 數(shù)據(jù)分析
2．4．4 問題建模
2．5 本章小結(jié)
第3章 數(shù)據(jù)探索與準(zhǔn)備
3．1 ETL技術(shù)
3．1．1 ETL工作方式
3．1．2 ETL實現(xiàn)模式
3．1．3 ETL發(fā)展歷程
3．1．4 主流ETL工具
3．2 數(shù)據(jù)清洗
3．2．1 數(shù)據(jù)缺失處理
3．2．2 異常值處理
3．3 采樣
3．3．1 拒絕采樣
3．3．2 重要性采樣
3．3．3 馬爾可夫鏈蒙特卡洛采樣
3．4 本章小結(jié)
第4章 特征工程
4．1 數(shù)據(jù)預(yù)處理
4．1．1 特征縮放
4．1．2 特征編碼
4．2 特征選擇
4．2．1 過濾式選擇Filter
4．2．2 包裹式選擇Wrapper
4．2．3 嵌入式選擇Embedded
4．3 降維
4．3．1 主成分分析PCA
4．3．2 線性判別分析
4．4 本章小結(jié)
第5章 模型訓(xùn)練與評價
5．1 模型選擇
5．1．1 基礎(chǔ)知識
5．1．2 模型選擇的要素
5．2 模型訓(xùn)練
5．2．1 留出法
5．2．2 交叉驗證法
……
第6章 模型部署與應(yīng)用
第7章 回歸模型
第8章 支持向量機
第9章 決策樹
第10章 集成學(xué)習(xí)
第11章 K近鄰算法
第12章 貝葉斯方法
第13章 聚類算法
第14章 關(guān)聯(lián)規(guī)則學(xué)習(xí)
第15章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
第16章 正則化
第17章 深度學(xué)習(xí)中的優(yōu)化
第18章 卷積神經(jīng)網(wǎng)絡(luò)
第19章 循環(huán)神經(jīng)網(wǎng)絡(luò)
第20章 自編碼器
第21章 基于深度學(xué)習(xí)的語音分離方法
第22章 基于深度學(xué)習(xí)的圖像去水印方法
第23章 基于LSTM的云環(huán)境工作負載預(yù)測方法
第24章 基于QoS的服務(wù)組合問題
第25章 基于強化學(xué)習(xí)的投資組合方法
第26章 基于GAN模型的大數(shù)據(jù)系統(tǒng)參數(shù)優(yōu)化方法
附錄1 名詞及解釋
附錄2 數(shù)據(jù)集
參考文獻