 |
-- 會員 / 註冊 --
|
 |
|
|
|
基于H2O的機器學習實用方法：一種強大的可擴展的人工智能和深度學習技術（深度學習 機器學習 人工智能 H2O） ( 簡體 字) |
| 作者：達倫.庫克 | 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： 49406
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：7/9/2018 |
| 頁數：204 |
| 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：9787111600510 |
| 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： |
內容簡介：《基于H2O的機器學習實用方法：一種強大的可擴展的人工智能和深度學習技術》主要介紹了H2O的基本概念和應用。全書共11章，首先介紹了H2O在R和Python下的安裝和啟動、數據導入/導出和操作以及本書所用的三種不同示例數據集和常用的模型參數。然后分別介紹了隨機森林、梯度推進機、線性模型、深度學習和無監督式學習等算法在三種不同數據集中的應用，分析對比了默認算法和改進算法的性能。另外，還討論了相關其他內容。 |
目錄：譯者序
原書前言
第 1章 安裝和快速啟動 \\ 1
1.1 安裝準備 \\ 1
1.1.1 安裝 R \\ 1
1.1.2 安裝 Python \\ 2
1.1.3 隱私保護 \\ 2
1.1.4 安裝 Java \\ 2
1.2 利用 R（CRAN）安裝 H2O \\ 3
1.3 利用 Python（pip）安裝 H2O \\ 4
1.4 第一個學習示例 \\ 5
1.4.1 利用 Python進行訓練和預測 \\ 8
1.4.2 利用 R進行訓練和預測 \\ 10
1.4.3 性能與預測 \\ 12
1.4.4 運氣不佳 \\ 13
1.5 Flow \\ 13
1.5.1 數據 \\ 14
1.5.2 模型 \\ 16
1.5.3 預測 \\ 17
1.5.4 Flow中的其他注意事項 \\ 18
1.6 小結 \\ 18
第2章 數據導入/數據導出\\19
2.1 存儲空間要求 \\ 19
2.2 數據準備 \\ 20
2.3 數據導入到 H2O \\ 21
2.3.1 加載 csv文件 \\ 21
2.3.2 加載其他格式文件 \\ 23
2.3.3 從 R中直接加載 \\ 23
2.3.4 從 Python中直接加載 \\ 25
2.4 數據操作 \\ 26
2.4.1 懶操作、命名和刪除 \\ 26
2.4.2 數據匯總 \\ 27
2.4.3 列操作 \\ 28
2.4.4 行聚合 \\ 29
2.4.5 索引 \\ 30
2.4.6 H2O中的數據拆分 \\ 31
2.4.7 行和列 \\ 35
2.5 數據從 H2O中導出 \\ 38
2.5.1 導出數據幀 \\ 38
2.5.2 POJO \\ 39
2.5.3 模型文件 \\ 40
2.5.4 保存所有模型 \\ 40
2.6 小結 \\ 41
第３章 數據集 \\ 42
3.1 數據集：建筑節能 \\ 42
3.1.1 設置和加載 \\ 43
3.1.2 數據列 \\ 44
3.1.3 拆分數據 \\ 45
3.1.4 觀察 \\ 46
3.1.5 關于數據集 \\ 50
3.2 數據集：手寫體 \\ 50
3.2.1 設置和加載 \\ 51
3.2.2 觀察 \\ 52
3.2.3 幫助建模 \\ 54
3.2.4 關于數據集 \\ 55 5.4 建筑節能：默認的隨機森林 \\ 91
3.3 數據集：足球比分 \\ 56
3.3.1 相關性 \\ 59
3.3.2 缺失數據.更多列 \\ 62
3.3.3 如何訓練和測試？ \\ 63
3.3.4 設置和加載 \\ 63
3.3.5 其他第三方 \\ 64
3.3.6 缺失數據（再次）\\ 67
3.3.7 設置和加載（再次）\\ 67
3.3.8 關于數據集 \\ 70
3.4 小結 \\ 70
第 4章 常用模型參數 \\ 71
4.1 支持測度 \\ 71
4.1.1 回歸指數 \\ 72
4.1.2 分類指數 \\ 72
4.1.3 二項式分類 \\ 73
4.2 要素 \\ 75
4.3 努力 \\ 76
4.4 評分和驗證 \\ 76
4.5 提前終止 \\ 77
4.6 檢查點 \\ 79
4.7 交叉驗證（又名 k-folds）\\ 81
4.8 數據加權 \\ 82
4.9 抽樣、歸納 \\ 84
4.10 回歸 \\ 85
4.11 輸出控制 \\ 87
4.12 小結 \\ 87
第5章 隨機森林\\88
5.1 決策樹 \\ 88
5.2 隨機森林 \\ 89
5.3 參數 \\ 89 5.5 網格搜索 \\ 93
5.5.1 笛卡爾 \\ 94
5.5.2 隨機離散 \\ 96
5.5.3 高層策略 \\ 98
5.6 建筑節能：改進的隨機森林 \\ 99
5.7 MNIST：默認的隨機森林 \\ 101
5.8 MNIST：改進的隨機森林 \\ 102
5.8.1 增強數據 \\ 105
5.9 足球比賽：默認的隨機森林 \\ 106
5.10 足球比賽：改進的隨機森林 \\ 108
5.11 小結 \\ 110
第 6章 梯度推進機 // 111
6.1 推進 // 111
6.2 好處、壞處和…神秘之處 // 112
6.3 參數 // 113
6.4 建筑節能：默認 GBM // 114
6.5 建筑節能：改進 GBM // 115
6.6 MNIST：默認 GBM // 119
6.7 MNIST：改進 GBM // 120
6.8 足球比賽：默認 GBM // 122
6.9 足球比賽：改進 GBM // 123
6.10 小結 // 125
第 7章 線性模型 // 126
7.1 GLM參數 // 126
7.2 建筑節能：默認 GLM // 130
7.3 建筑節能：改進 GLM // 132
7.4 MNIST：默認 GLM // 136
7.5 MNIST：改進 GLM // 137
7.6 足球比賽：默認 GLM // 139
7.7 足球比賽：改進 GLM // 141
7.8 小結 // 142
第 8章 深度學習（神經網絡）// 143
8.1 什么是神經網絡？ // 143
8.1.1 數值與分類 // 145
8.1.2 神經網絡層 // 146
8.1.3 激活函數 // 147
8.2 參數 // 148
8.2.1 深度學習正則化 // 148
8.2.2 深度學習評分 // 149
8.3 建筑節能：默認的深度學習 // 152
8.4 建筑節能：改進的深度學習 // 153
8.5 MNIST：默認的深度學習 // 157
8.6 MNIST：改進的深度學習 // 159
8.7 足球比賽：默認的深度學習 // 163
8.8 足球比賽：改進的深度學習 // 164
8.9 小結 // 168
8.10 附錄：更多的深度學習參數 // 169
第 9章 無監督學習 // 171
9.1 k均值聚類 // 172
9.2 深度學習自動編碼器 // 174
9.2.1 層疊自動編碼器 // 177
9.3 主成分分析 // 178
9.4 GLRM // 179
9.5 缺失數據 // 180
9.5.1 GLRM // 183
9.5.2 失去 R // 183
9.6 小結 // 187
第 10章 其他內容 // 188
10.1 重要且需要分析的內容 // 188
10.2 安裝最新版本的 H2O // 188
10.2.1 由源代碼構建 // 189
10.3 命令行運行 // 189
10.4 聚類 // 189
10.4.1 EC2 // 190
10.4.2 其他云提供商 // 191
10.4.3 Hadoop // 191
10.5 Spark/Sparkling Water // 191
10.6 樸素貝葉斯 // 192
10.7 集成 // 192
10.7.1 層疊： h2o.ensemble // 193
10.7.2 分類集成 // 195
10.8 小結 // 195
第 11章 后記：一切運行良好！ // 196
11.1 建筑節能結果 // 196
11.2 MNIST結果 // 197
11.3 足球比賽結果 // 199
11.4 究竟有多差？ // 200
11.4.1 越多越好 // 201
11.4.2 仍渴望更多 // 202
11.4.3 困難排除 // 202
11.4.4 自動編碼器 // 203
11.4.5 卷積和收縮 // 204
11.4.6 集成 // 205
11.4.7 這就是可能最差的情況. // 206
11.5 小結 // 206 |
| 序： |
|
