当前位置:首页 > 人工智能 >
《机器学习在线:解析阿里云机器学习平台》电子书封面

机器学习在线:解析阿里云机器学习平台

  • 发布时间:2019年08月04日 15:54:08
  • 作者:杨旭
  • 大小:147.3 MB
  • 类别:机器学习电子书
  • 格式:PDF
  • 版本:全书完整版
  • 评分:8.6

    机器学习在线:解析阿里云机器学习平台 PDF 全书完整版

      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:9.3。

      内容介绍

      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

      学习笔记

      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……

      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……

      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) # n……

      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……

      以上就是本次介绍的机器学习电子书的全部相关内容,希望我们整理的资源能够帮助到大家,感谢大家对码农之家的支持。

      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 -

      • 《机器学习在线:解析阿里云机器学习平台》PDF下载

      下载地址:百度网盘下载
      机器学习相关电子书
      scikit-learn机器学习:常用算法原理及编程实战
      scikit-learn机器学习:常用算法原理及编程实战 原书超清版

      本书是低门槛入门机器学习,涵盖scikit-learn机器学习的应用场景、编程步骤、Python开发包、算法模型性能评估、8大常用算法、7大实战案例演练,适合有一定编程基础的读者阅读

      立即下载
      深入浅出Python机器学习
      深入浅出Python机器学习 完整超清版

      人工智能,火了!计算机是由程序驱动的,人工智能不过是一些特殊的算法。只要你有一些程序设计语言的基础,跟随本书,你也能进入人工智能的世界,成为一名人工智能应用的开发者。

      立即下载
      机器学习:实用案例解析
      机器学习:实用案例解析 清晰版

      本书是机器学习和数据挖掘领域的经典图书,基础理论与实践完美的结合,讨论的案例从分类讲到回归,然后讨论了聚类、降维、最优化问题等,逻辑紧密、内容详实,适合所有相关技术人员的

      立即下载
      Spark机器学习
      Spark机器学习 原书第2版

      spark机器学习入门与进阶实战 Spark项目管理委员会成员作品 注重技术实践 通过大量实例演示如何创建有用的机器学习系统

      立即下载
      美团机器学习实践
      美团机器学习实践 扫描版

      人工智能机器学习算法落地实践指南 内容涵盖搜索 推荐 风控 计算广告 图像处理等领域 展示美团技术底蕴 系统阐述大型互联网公司机器学习真实场景实践

      立即下载
      实用机器学习
      实用机器学习 高质量版

      这本书围绕实际数据分析的流程展开,着重介绍数据探索、数据预处理和常用的机器学习算法模型,贴近工程实践,通俗易懂地阐述算法思想,适合广大爱好者阅读

      立即下载
      python机器学习 Scikit-learn使用手册
      python机器学习 Scikit-learn使用手册 原书扫描版

      scikit-learn是在Python中进行机器学习简单且高效的工具可用于数据挖掘和数据分析,这里提供Scikit-learn 使用手册,欢迎下载

      立即下载
      读者留言
      萧曵 丶

      萧曵 丶 提供上传

      资源
      33
      粉丝
      8
      喜欢
      97
      评论
      6

      Copyright 2018-2020 www.xz577.com 码农之家

      版权投诉 / 书籍推广 / 赞助:520161757@qq.com