實用機器學習 ( 簡體 字) |
| 作者：〔印〕蘇尼拉·格拉普蒂（Sunila Gollapudi）著 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49093
詢問書籍請說出此書號！【有庫存】
NT售價： 395 元 |
| 出版日：5/1/2018 |
| 頁數：267 |
| 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：9787111598886 |
| 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：從結構復雜的海量數據集中探索數據蘊含的意義，是日益增長的現實需求。機器學習與預測分析技術是進行此類探索的重要工具。機器學習利用歷史數據集，提取其中蘊含的模式，在不斷的迭代中提升預測效果。機器學習能發現數據中隱含的動態趨勢、模式及關系，這對業務增長非常重要。
在本書中，讀者不僅僅能學到機器學習的基本知識，同時也能了解到現實世界的數據復雜性，然后使用Hadoop及其生態系統軟件來處理和管理結構化及非結構化數據。
主要內容
第1章介紹機器學習的基本概念及其常見語義。通過一些簡單的術語來定義機器學習。本章是其余章節的基礎。
第2章探索大規模數據集，包括其公共特性、數據重復問題、數據量快速增長的原因，以及如何處理大數據。
第3章介紹Hadoop，從Hadoop核心框架開始，然后擴展到其生態系統。學完本章，讀者將掌握Hadoop的配置、部分功能的運行，同時也能了解到某些Hadoop生態系統組件。讀者將能夠運行和管理Hadoop環境及理解命令行工具的使用。
第4章介紹一些開源的機器學習工具，包括安裝、算法在特定工具或平臺中的實現，以及這些庫、工具及框架的運行，這些工具或庫包括Apache Mahout、Python、R、Julia以及Apache Spark中的MLlib。值得強調的是，本章中也會著重介紹這些庫、工具或框架與Hadoop的集成。
第5章介紹一種有監督學習技術，稱為決策樹，它既可解決分類問題也可以解決回歸問題。本章內容覆蓋從特征選擇到決策樹分裂、剪枝等多個環節。重點介紹幾類決策樹算法，如CART、C4杄5、隨機森林以及一些高級的決策樹。
第6章介紹兩種機器學習方法——基于實例和基于核方法的學習，并討論它們是如何解決分類與預測問題的。在基于實例的方法中，會詳細介紹最近鄰算法。而在基于核方法的機器學習算法中，會重點介紹如何使用支持向量機解決現實問題。
第7章探討關聯規則學習相關算法：Apriori及FP拟growth。借助一個常見的例子，手把手教讀者通過Apriori及FP拟growth算法進行頻繁模式挖掘。
第8章討論聚類學習方法，聚類是一種無監督學習方法。本章將深入介紹k拟means聚類，同時利用Mahout、R、Python、Julia、Spark等工具演示如何實現k拟means聚類。
第9章介紹貝葉斯學習。此外，介紹一些核心的統計學概念，從基本術語到各種分布模型。最后會深入介紹貝葉斯定理，以及如何利用它解決現實問題。
第10章介紹基于回歸分析的機器學習，重點介紹如何利用Mahout、R、Python、Julia、Spark等工具實現線性回歸和邏輯回歸。另外，也會介紹相關統計概念，如方差、協方差、ANOVA等。最后會利用案例深入介紹如何使用回歸模型解決現實問題。
第11章首先介紹生物學中的神經元模型、人工神經網絡的功能以及與它的關聯。讀者將會學到人工神經網絡的核心概念、全連接神經網絡的結構。本章也會探究某些關鍵的激活函數，它們用到了矩陣乘法。
第12章介紹一種新的機器學習技術，稱為強化學習。讀者將會了解到它與傳統的有監督和無監督機器學習技術的區別。本章也會介紹MDP基礎，以及相關的案例。
第13章討論機器學習中的集成學習方法，帶領讀者通過真實案例掌握某些有監督集成學習技術。最后，本章將以源代碼形式介紹如何利用R、Python(scikit拟learn)、Julia、Spark、Mahout等工具演示梯度提升算法。
第14章介紹機器學習的實現。讀者需要深刻理解傳統分析平臺的局限，以及為什么它們不能適應現代數據需求。讀者也應該了解新的數據架構范式，如Lambda架構混合持久化(多模型數據庫架構)；本章也會介紹語義架構，它幫助使用者進行無縫數據集成。
閱讀準備
欲演示本書中的范例，需預先安裝下列軟件：
●R(2杄15杄1)
●Apache Mahout (0杄9)
●Python(scikit拟learn)
●Julia(0杄3杄4)
●Apache Spark(Scala 2杄10杄4)
目標讀者
本書的目標讀者是那些想了解機器學習實踐及通過機器學習技術解決現實應用的數據科學家。本書能指導讀者了解機器學習和預測分析的基本原理及最新進展，了解大數據革命的方方面面，這是任何致力于解決當前大數據問題的人員的必備資源。如果你想立即著手練習，需具備基本的編程（Python和R）功底和數學知識。
范例源碼及彩圖下載
本書提供了源代碼供讀者下載，網址為https://github杄com/PacktCode/Practical拟Machine拟Learning。
為了幫助讀者更好地理解書中的內容，本書提供了彩圖的PDF文件供讀者下載。 |
內容簡介：本書探索了一系列廣泛應用的機器學習技術，用實際例子揭示常見數據中隱藏的處理技巧。雖然機器學習是高度理論性的，但是本書提供了一種令人耳目一新的實操方法，同時也沒有忽略底層原理。
本書涵蓋當前領先的數據科學語言（如Python和R）、被低估但非常強大的Julia，以及一系列大數據平臺（包括Spark、Hadoop和Mahout等）。實用的機器學習技術是現代數據科學家掌握機器學習應用的重要資源。
本書還探討了機器學習的前沿進展，提供了一些關于深度學習和強化學習的范例和指導原則，完美演繹實操過程及算法原理。
通過閱讀本書，你將學到：
實現多種算法或技術，用于處理復雜數據。
掌握數據科學相關的頗具威力的語言，如R、Python、Julia等。
掌握Spark、Mahout與Hadoop的協同使用，成功解決數據管理、處理中的各種問題。
如何采用適當的機器學習技術解決現實問題。
了解深度學習及機器學習前沿領域是如何使用人工神經網絡的。
探索新一代機器學習技術，深入了解混合持久化、語義數據等技術。 |
目錄：推薦序一
推薦序二
譯者序
前言
關于作者
關于審校者
第1章機器學習簡介
1杄1機器學習
1杄1杄1定義
1杄1杄2核心概念與術語
1杄1杄3什么是學習
1杄1杄4機器學習中的數據不一致性
1杄1杄5機器學習實踐范例
1杄1杄6機器學習問題類型
1杄2性能度量
1杄3機器學習的相關領域
1杄3杄1數據挖掘
1杄3杄2人工智能
1杄3杄3統計學習
1杄3杄4數據科學
1杄4機器學習處理流程及解決方案架構
1杄5機器學習算法
1杄5杄1基于決策樹的算法
1杄5杄2基于貝葉斯的算法
1杄5杄3基于核方法的算法
1杄5杄4聚類算法
1杄5杄5人工神經網絡
1杄5杄6降維方法
1杄5杄7集成方法
1杄5杄8基于實例的算法
1杄5杄9基于回歸分析的算法
1杄5杄10基于關聯規則的算法
1杄6機器學習工具與框架
1杄7小結
第2章機器學習和大規模數據集
2杄1大數據和大規模機器學習
2杄1杄1功能與架構：方法論的失配
2杄1杄2機器學習的可擴展性和性能
2杄1杄3模型選擇過程
2杄1杄4大規模機器學習的潛在問題
2杄2算法和并發
2杄3垂直擴展的機器學習技術方案
2杄3杄1MapReduce編程架構
2杄3杄2利用消息傳遞接口進行高性能計算
2杄3杄3LINQ框架
2杄3杄4使用LINQ操作數據集
2杄3杄5GPU
2杄3杄6FPGA
2杄3杄7多核或多處理器系統
2杄4小結
第3章Hadoop架構和生態系統簡介
3杄1Apache Hadoop簡介
3杄1杄1Hadoop的演化
3杄1杄2Hadoop及其核心要素
3杄2基于Hadoop的大數據機器學習解決方案架構
3杄2杄1數據源層
3杄2杄2數據攝入層
3杄2杄3Hadoop數據存儲層
3杄2杄4Hadoop基礎設施層
3杄2杄5Hadoop平臺/處理層
3杄2杄6分析層
3杄2杄7數據消費層
3杄2杄8MapReduce
3杄3Hadoop 2杄x
3杄3杄1Hadoop生態系統組件
3杄3杄2Hadoop安裝和配置
3杄3杄3Hadoop發行版和供應商
3杄4小結
第4章機器學習工具、庫及框架
4杄1機器學習工具概覽
4杄2Apache Mahout
4杄2杄1Mahout如何工作
4杄2杄2安裝和設置Apache Mahout
4杄2杄3Mahout軟件包詳解
4杄2杄4Mahout中的vector實現
4杄3R
4杄3杄1安裝和設置R
4杄3杄2R與Apache Hadoop集成
4杄4Julia
4杄4杄1安裝和設置Julia
4杄4杄2在命令行中執行Julia程序
4杄4杄3例解Julia
4杄4杄4變量與賦值
4杄4杄5使用Julia的好處
4杄4杄6Julia與Hadoop集成
4杄5Python
4杄5杄1Python中工具包的選擇
4杄5杄2例解Python
4杄6Apache Spark
4杄6杄1Scala
4杄6杄2RDD編程
4杄7Spring XD
4杄8小結
第5章基于決策樹的學習
5杄1決策樹
5杄1杄1術語
5杄1杄2目標與用途
5杄1杄3構造決策樹
5杄1杄4特殊的決策樹
5杄2實現決策樹
5杄3小結
第6章基于實例和核方法的學習
6杄1基于實例的學習
6杄1杄1最近鄰
6杄1杄2實現kNN
6杄2基于核方法的學習
6杄2杄1核函數
6杄2杄2支持向量機
6杄2杄3實現SVM
6杄3小結
第7章關聯規則學習
7杄1關聯規則學習
7杄1杄1關聯規則的定義
7杄1杄2Apriori算法
7杄1杄3FP拟growth算法
7杄1杄4Apriori與FP拟growth
7杄2實現Apriori及FP拟growth算法
7杄3小結
第8章聚類學習
8杄1聚類學習
8杄2聚類的類型
8杄2杄1層次聚類
8杄2杄2劃分式聚類
8杄3k拟means聚類算法
8杄3杄1k拟means算法的收斂性
8杄3杄2k拟means算法的優點
8杄3杄3k拟means算法的缺點
8杄3杄4距離度量
8杄3杄5復雜度度量
8杄4實現k拟means聚類
8杄5小結
第9章貝葉斯學習
9杄1貝葉斯學習
9杄1杄1統計學家的視角
9杄1杄2貝葉斯定理
9杄1杄3樸素貝葉斯分類器
9杄2實現樸素貝葉斯算法
9杄3小結
第10章基于回歸的學習
10杄1回歸分析
10杄1杄1重溫統計學
10杄1杄2混雜
10杄1杄3效應修飾
10杄2回歸方法
10杄2杄1簡單線性回歸
10杄2杄2多元線性回歸
10杄2杄3多項式回歸
10杄2杄4廣義線性模型
10杄2杄5邏輯回歸（logit連接)
10杄2杄6泊松回歸
10杄3實現線性回歸和邏輯回歸
10杄4小結
第11章深度學習
11杄1背景知識
11杄1杄1人類大腦結構
11杄1杄2神經網絡
11杄1杄3反向傳播算法
11杄1杄4Softmax回歸算法
11杄2深度學習類型
11杄2杄1卷積神經網絡
11杄2杄2循環神經網絡
11杄2杄3受限玻爾茲曼機
11杄2杄4深度玻爾茲曼機
11杄2杄5自動編碼器
11杄3實現ANN和深度學習方法
11杄4小結
第12章強化學習
12杄1強化學習
12杄1杄1強化學習的背景知識
12杄1杄2強化學習的主要特點
12杄2強化學習算法
12杄2杄1動態規劃
12杄2杄2蒙特卡羅方法
12杄2杄3時序差分學習
12杄2杄4Q拟learning（異策略TD）
12杄2杄5actor拟critic方法(同策略)
12杄2杄6R拟learning（異策略）
12杄3實現強化學習方法
12杄4小結
第13章集成學習
13杄1集成學習方法
13杄1杄1群體智慧
13杄1杄2經典應用
13杄1杄3集成方法
13杄2實現集成學習方法
13杄3小結
第14章下一代機器學習數據架構
14杄1數據架構的演進
14杄2機器學習的現代數據架構
14杄2杄1語義數據架構
14杄2杄2多模型數據庫架構/混合持久化
14杄2杄3Lambda架構
14杄3小結 |
| 序： |
