标签分类 热门分类
当前位置:首页 > 人工智能电子书 > 机器学习电子书网盘下载
机器学习在线:解析阿里云机器学习平台 机器学习在线:解析阿里云机器学习平台
萧曵 丶

萧曵 丶 提供上传

资源
10
粉丝
31
喜欢
97
评论
6

    机器学习在线:解析阿里云机器学习平台 PDF 全书完整版

    机器学习电子书
    • 发布时间:

    给大家带来的一篇关于机器学习相关的电子书资源,介绍了关于机器学习、阿里云、机器学习方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小147.3 MB,杨旭编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.2,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

  • 机器学习在线:解析阿里云机器学习平台 PDF 下载
  • 下载地址:https://pan.baidu.com/s/17dqDp2G50rX3sIZmZc361
  • 分享码:v1p5
  • 机器学习在线:解析阿里云机器学习平台 PDF

    《机器学习在线:解析阿里云机器学习平台》以深度学习中的经典案例主导线,条分缕析整理阿里云的服务平台作用,解读怎样用阿里云的机器学习平台来保持各种运用,包含店家做弊检验、存活分折、信贷风险分折、客户选购个人行为分折等,并详细地详细介绍了深度学习的基本概念与实践活动方法。

    以深度学习中的经典案例主导线,条分缕析整理阿里云的服务平台作用,解读怎样用阿里云的机器学习平台来保持各种运用,包含店家做弊检验、存活分折、信贷风险分折、客户选购个人行为分折等,并详细地详细介绍了深度学习的基本概念与实践活动方法。

    目录

    • 第1章 阿里云机器学习 1
    • 1.1 产品特点 1
    • 1.2 名词解释 2
    • 1.3 构建机器学习实验 3
    • 1.3.1 新建实验 3
    • 1.3.2 使用组件搭建工作流 4
    • 1.3.3 运行实验、查看结果 5
    • 1.3.4 模型部署、在线预测 6
    • 第2章 商家作弊行为检测 7
    • 2.1 数据探索 8
    • 2.2 建模、预测和评估 15
    • 2.3 尝试其他分类模型 19
    • 2.4 判断商家作弊 24
    • 第3章 生存预测 27
    • 3.1 数据集一 27
    • 3.1.1 特征分析 28
    • 3.1.2 生存预测 33
    • 3.2 数据集二 36
    • 3.2.1 随机森林模型 39
    • 3.2.2 朴素贝叶斯模型 47
    • 第4章 信用风险预测 50
    • 4.1 整体流程 53
    • 4.1.1 特征哑元化 54
    • 4.1.2 特征重要性 57
    • 4.2 模型效果评估 61
    • 4.3 减少模型特征的个数 62
    • 第5章 用户购买行为预测 65
    • 5.1 数据探索 66
    • 5.2 思路 68
    • 5.2.1 用户和品牌的各种特征 69
    • 5.2.2 二分类模型训练 71
    • 5.3 计算训练数据集 71
    • 5.3.1 原始数据划分 72
    • 5.3.2 计算特征 74
    • 5.3.3 计算标签 89
    • 5.4 二分类模型训练 90
    • 5.4.1 正负样本配比 90
    • 5.4.2 逻辑回归算法 92
    • 5.4.3 随机森林算法 94
    • 第6章 聚类与分类 96
    • 6.1 数据可视化 97
    • 6.2 K-Means聚类 98
    • 6.2.1 聚类、评估流程 100
    • 6.2.2 聚成两类 101
    • 6.2.3 聚成三类 103
    • 6.3 K最近邻算法 104
    • 6.3.1 使用KNN算法进行分类 105
    • 6.3.2 算法比较 108
    • 6.4 多分类模型 109
    • 6.4.1 使用朴素贝叶斯算法 109
    • 6.4.2 使用逻辑回归多分类算法 112
    • 6.4.3 使用随机森林算法 115
    • 6.4.4 各多分类模型效果对比 118
    • 第7章 葡萄酒品质预测 119
    • 7.1 数据探索 120
    • 7.2 线性回归 123
    • 7.3 GBDT回归 125
    • 第8章 文本分析 127
    • 8.1 分词 128
    • 8.2 词频统计 130
    • 8.3 单词的区分度 131
    • 8.4 字符串比较 133
    • 8.5 抽取关键词、关键句 139
    • 8.5.1 原理简介 139
    • 8.5.2 完整流程 141
    • 8.6 主题模型 146
    • 8.6.1 LDA模型 147
    • 8.6.2 新闻的主题模型 149
    • 8.6.3 数据预处理 150
    • 8.6.4 主题与原始分类的关系 153
    • 8.7 单词映射为向量 160
    • 8.7.1 相近单词 162
    • 8.7.2 单词聚类 165
    • 8.8 组件使用小结 168
    • 第9章 基于用户退货描述的赔付预测 170
    • 9.1 思路 171
    • 9.2 训练集的特征生成 173
    • 9.3 测试集的特征生成 180
    • 9.4 模型训练、预测、评估 181
    • 9.5 提高召回率 185
    • 第10章 情感分析 189
    • 10.1 词袋模型 190
    • 10.1.1 训练集的特征生成 192
    • 10.1.2 测试集的特征生成 196
    • 10.1.3 模型训练、预测、评估 197
    • 10.2 词向量模型 200
    • 10.2.1 特征生成 201
    • 10.2.2 模型训练 206
    • 第11章 影片推荐 211
    • 11.1 协同过滤 212
    • 11.2 整体流程 213
    • 11.3 预处理,过滤出好评信息 215
    • 11.4 计算影片间的相似度 215
    • 11.5 计算用户可能喜欢的影片 221
    • 11.6 查看推荐效果 224
    • 第12章 支持深度学习框架 227
    • 12.1 TensorFlow组件简介 227
    • 12.2 Softmax模型 231
    • 12.3 深度神经网络 234
    • 附录A 237

    上一篇:技术管理之巅:如何从零打造高质效互联网技术团队  下一篇:机器学习经典算法实践

    展开 +

    收起 -

     
    机器学习 相关电子书
    关于机器学习的学习笔记
    网友NO.447586

    PHP机器学习库php-ml的简单测试和使用方法

    php-ml是一个使用PHP编写的机器学习库。虽然我们知道,python或者是C++提供了更多机器学习的库,但实际上,他们大多都略显复杂,配置起来让很多新手感到绝望。 php-ml这个机器学习库虽然没有特别高大上的算法,但其具有最基本的机器学习、分类等算法,我们的小公司做一些简单的数据分析、预测等等都是够用的。我们的项目中,追求的应该是性价比,而不是过分的效率和精度。一些算法和库看上去非常厉害,但如果我们考虑快速上线,而我们的技术人员没有机器学习方面的经验,那么复杂的代码和配置反而会拖累我们的项目。而如果我们本身就是做一个简单的机器学习应用,那么研究复杂库和算法的学习成本很显然高了点,而且,项目出了奇奇怪怪的问题,我们能解决吗?需求改变了怎么办?相信大家都有过这种经历:做着做着,程序忽然报错,自己怎么都搞不清楚原因,上谷歌或百度一搜,只搜出一条满足条件的问题,在五年、十年前提问,然后零回复。。。 所以,选择最简单最高效、性价比最高的做法是必须的。php-ml的速度不算慢(赶紧换php7吧),而且精度也不错,毕竟算法都一样,而且php是基于c的。博主最看不惯的就是,拿python和Java,PHP之间比性能,比适用范围。真要性能,请你拿C开发。真要追求适用范围……

    网友NO.185304

    Javascript实现的机器学习类库的原理

    机器学习(Machine Learning)在最近几年绝对称的上是大火,越来越多的公司和资本投入了巨大资源和金钱到这个新上位的技术新宠中,尤其是随着更多的各种机器学习相关类库的出现和发展,更多新的技术已经被应用到了机器学习中, 现在大家可以看到, Python不再是唯一个老牌机器学习的必用语言, 对于现代神经网络(neural networks)语言不再是一个问题, 你基本可以使用任何的编程语言, 包括今天我们介绍的标准前端开发语言 - Javascript Web的整个体系已经在近几年中有了长足的发展, 虽然 Javascript 和 node.js的使用案例还远远无法和Java/Python来媲美。 但是 也足够应用到很多机器学习的环境中去啦。而且最大的优势在于 - 一个浏览器就可以帮你搞定了一切 ! 虽然, 基于Javascript的机器学习类库还非常的早期,很多依旧在开发状态下, 但是他们的确已经可以提供比较早期的体验。 在今天这篇文章中, 我们将选择几款超酷的机器学习和AI相关的web应用, 让大家初体验一下 ~~ Brain brain是一个允许你快速简单创建神经网络并且基于输入/输出进行训练的类库。虽然一个CDN浏览器版本可以直接将类库加载到web页面中, 因为这个训练过程占用了大量的资源, 所以将这个类库运行在了一格Node.js环境下 。 这个类库包含了一个非常迷你的……

    网友NO.804485

    python实现机器学习多元线性回归总结

    总体思路与一元线性回归思想一样,现在将数据以矩阵形式进行运算,更加方便。 一元线性回归实现代码 下面是多元线性回归用Python实现的代码: import numpy as npdef linearRegression(data_X,data_Y,learningRate,loopNum): W = np.zeros(shape=[1, data_X.shape[1]]) # W的shape取决于特征个数,而x的行是样本个数,x的列是特征值个数 # 所需要的W的形式为 行=特征个数,列=1 这样的矩阵。但也可以用1行,再进行转置:W.T # X.shape[0]取X的行数,X.shape[1]取X的列数 b = 0 #梯度下降 for i in range(loopNum): W_derivative = np.zeros(shape=[1, data_X.shape[1]]) b_derivative, cost = 0, 0 WXPlusb = np.dot(data_X, W.T) + b # W.T:W的转置 W_derivative += np.dot((WXPlusb - data_Y).T, data_X) # np.dot:矩阵乘法 b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y) cost += (WXPlusb - data_Y)*(WXPlusb - data_Y) W_derivative = W_derivative / data_X.shape[0] # data_X.shape[0]:data_X矩阵的行数,即样本个数 b_derivative = b_derivative / data_X.shape[0] W = W - learningRate*W_derivative b = b - learningRate*b_derivative cost = cost/(2*data_X.shape[0]) if i % 100 == 0: print(cost) print(W) print(b)if __name__== __main__: X = np.random.normal(0, 10, 100) noise = np.random.normal(0, 0.05, 20) W = np.array([[3, 5, 8, 2, 1]]) #设5个特征值 X = X.reshape(20, 5) #reshape成20行5列 noise = noise.reshape(20, 1) Y = np.dot(X, W.T)+6 + noise linearRegression……

    网友NO.662696

    使用Python机器学习降低静态日志噪声

    持续集成(CI)作业可以产生大量的数据。当作业失败时,找出了什么问题可能是一个繁琐的过程,需要对日志进行调查以发现根本原因-这通常是在作业总输出的一小部分中发现的。为了更容易地将最相关的数据从其他数据中分离出来,日志还原机器学习模型使用以前成功的作业运行来训练,以从失败的运行日志中提取异常。 此原则也可应用于其他用例,例如,从期刊或其他系统范围的常规日志文件。 利用机器学习降低噪声 一个典型的日志文件包含许多名义事件(“基线”)以及一些与开发人员相关的异常。基线可能包含难以检测和删除的随机元素,如时间戳或唯一标识符。要删除基线事件,我们可以使用k最近邻模式识别算法 (k-NN)。 的日志事件必须转换为数值。k-NN回归。使用通用特征提取工具HashingVectorizer允许将该进程应用于任何类型的日志。它对每个单词进行散列,并在稀疏矩阵中对每个事件进行编码。为了进一步减少搜索空间,令牌化将删除已知的随机单词,例如日期或IP地址。 一旦模型被训练,k-NN搜索告诉我们每个新事件与基线之间的距离。 Jupyter notebook演示了稀疏矩阵向量的过程,并绘制了稀疏矩阵向量图。 介绍LOGPREIN LogReallyPython软件透明地实现了这个过程。的最初目标是协助祖尔CI使用构建数据库进行作业失败……

    Copyright 2018-2020 xz577.com 码农之家

    电子书资源由网友、会员提供上传,本站记录提供者的基本信息及资源来路

    鸣谢: “ 码小辫 ” 公众号提供回调API服务、“ 脚本CDN ”提供网站加速(本站寻求更多赞助支持)

    版权投诉 / 书籍推广 / 赞助:520161757@qq.com

    上传资源(网友、会员均可提供)

    查看最新会员资料及资源信息