1.作者與多家知名企業合作，開展了多項機器學習數據分析的項目，積累了詳細的分析案例。
2.作者是國內早期研究商務智能的學者之一（2001 年起），在國內也是較早開設商務智能等數據分析課程（2003 年起），有一定的影響力。

機器學習已經廣泛地應用於各行各業，深度學習的興起再次推動了人工智能的熱潮。本書結合項目實踐，首先討論主流機器學習平臺的主要特點和機器學習的實戰難點；在此基礎上，利用主流的機器學習開源平臺TensorFlow、OpenVINO、PaddlePaddle等，通過19個實戰案例，詳細地分析決策樹、隨機森林、支持向量機、邏輯回歸、貝葉斯網絡、聚類、卷積神經網絡、循環神經網絡、生成對抗網絡等機器學習和深度學習算法在金融、零售、汽車、電力、交通等典型領域的應用。

本書可以作為從事機器學習和深度學習工作的相關研究人員和技術人員的參考書，也可以作為高校相關專業機器學習、深度學習、數據挖掘等課程的實驗和實訓教材。

趙衛東，主要負責本科生和各類研究生機器學習、大數據核心技術和人工智能（機器學習）（商務數據分析）等課程的教學，2011年紐約大學訪問學者。人工智能（機器學習）被評為上海市精品課程以及CMOOC聯盟線上線下混合式教學改革項目，獲得2013年高等教育上海市教學成果獎二等獎。目前主要研究方向包括機器學習應用和大數據分析等。主持國家自然科學基金2項、國家重點研發計劃子課題、上海市浦江人纔以及企業合作課題等30多項目。已在Knowledge and Information Systems ,Information Processing & Management，Information Systems Frontiers，Intelligent Data Analysis，Applied Intelligence等國內外刊物和學術會議發表論文100多篇。出版專著、教材《機器學習》《機器學習案例實戰》《Python機器學習實戰案例》等10多部。獲得上海市2015年上海市科技進步二等獎。CDA三級認證數據科學家，騰訊雲和百度雲機器學習認證講師。

第1章 機器學習基礎

1.1 常用機器學習工具

1.2 數據分析技能培養

1.3 Anaconda的安裝與使用

第2章 貸款違約行為預測

2.1 建立信用評估模型的必要性

2.2 數據預處理

2.2.1 原始數據集

2.2.2 基礎表數據預處理

2.2.3 多表合並

2.3 模型選擇

2.3.1 帶正則項的Logistic回歸模型

2.3.2 樸素貝葉斯模型

2.3.3 隨機森林模型

2.3.4 SVM模型

2.4整體流程

2.4.1 初始表預處理與合並

2.4.2 拆分數據集

2.4.3 模型訓練和評估

2.5 客戶細分

第3章 保險風險預測

3.1 背景介紹

3.2 數據預處理

3.2.1 數據加載

3.2.2 缺失值處理

3.2.3 屬性值的合並與連接

3.2.4 數據轉換

3.2.5 數據標準化和歸一化

3.3 多維分析

3.4 基於神經網絡模型預測保險風險

3.5 使用SVM預測保險風險

第4章 銀行客戶流失預測

4.1 問題描述

4.2 數據預處理

4.2.1 非數值特征處理

4.2.2 數據離散化處理

4.2.3 數據篩選

4.2.4 數據分割

4.3 數據建模

4.3.1 決策樹模型

4.3.2 構建決策樹模型

4.4 模型校驗評估

4.4.1 混淆矩陣

4.4.2 ROC曲線

4.4.3 決策樹參數優化

4.4.4 k折交叉驗證

4.5 算法性能比較

第5章 基於深度神經網絡的股票預測

5.1 股票趨勢預測的分析思路

5.2 數據預處理

5.2.1 數據歸一化

5.2.2 加窗處理

5.2.3 分割數據集

5.2.4 標簽獨熱編碼轉化

5.3 模型訓練

5.4 模型評估

5.5 模型比較

第6章 保險產品推薦

6.1 保險產品推薦的流程

6.2 數據提取

6.3 數據預處理

6.3.1 去重和合並數據集

6.3.2 缺失值處理

6.3.3 特征選擇

6.3.4 類型變量獨熱編碼化

6.3.5 數值變量規範化

6.3.6 生成訓練集和測試集

6.4 構建保險預測模型

6.5 模型評估

第7章 零售商品銷售預測

7.1 問題分析

7.2 數據探索

7.3 數據預處理

7.3.1 填補缺失值

7.3.2 修正異常值

7.3.3 新建字段

7.3.4 類型變量數值化和獨熱編碼化

7.3.5 數據導出

7.4 建立銷售量預測模型

7.4.1 線性回歸模型

7.4.2 Ridge回歸模型

7.4.3 LASSO回歸模型

7.4.4 Elastic Net回歸模型

7.4.5 決策樹回歸模型

7.4.6 梯度提升樹回歸模型

7.4.7 隨機森林回歸模型

7.5 模型評估

第8章 汽車備件銷售預測

8.1 數據理解

8.2 數據預處理

8.2.1 屬性的刪除

8.2.2 處理缺失值

8.2.3 異常值處理

8.2.4 數據格式轉換

8.3 建模分析與評估

8.3.1 回歸決策樹算法

8.3.2 時間序列分析

8.3.3 聚類分析

第9章 火力發電廠工業蒸汽量預測

9.1 確定業務問題

9.2 數據理解

9.3 工業蒸汽量的預測建模過程

9.3.1 數據預處理

9.3.2 建模分析與評估

第10章 圖片風格轉化

10.1 CycleGAN原理

10.2 模型比較

10.2.1 CycleGAN與pix2pix

10.2.2 CycleGAN與DistanceGAN

10.3 使用TensorFlow實現圖片風格轉化

第11章 車道檢測

11.1 數據預處理

11.2 網絡模型選擇

11.3 構建車道檢測模型

11.4 訓練模型

11.5 車道檢測模型測試

第12章 GRU算法在基於Session的推薦繫統中的應用

12.1 問題分析

12.2 數據探索與預處理

12.2.1 數據變換

12.2.2 數據過濾

12.2.3 數據分割

12.2.4 格式轉換

12.3 構建GRU模型

12.3.1 GRU概述

12.3.2 構建GRU推薦模型

12.4 模型評估

第13章 人臉老化預測

13.1 問題分析

13.2 圖片編碼與GAN設計

13.3 模型實現

13.4 實驗分析

第14章 出租車軌跡數據分析

14.1 數據獲取

14.2 數據預處理

14.3 數據分析

14.3.1 出租車區域推薦以及交通管理建議

14.3.2 城市規劃建議

第15章 城市聲音分類

15.1 數據準備與探索

15.2 特征提取

15.3 構建城市聲音分類模型

15.3.1 使用MLP訓練聲音分類模型

15.3.2 使用LSTM與GRU網絡訓練聲音分類模型

15.3.3 使用CNN訓練聲音分類模型

15.4 聲音分類模型評估

15.4.1 MLP網絡性能評估

15.4.2 LSTM與GRU網絡性能評估

15.4.3 CNN性能評估

第16章 基於YOLO的智能交通燈控制

16.1 目標檢測原理

16.2 OpenVINO模型優化

16.3 繫統運行環境

16.4 模型轉化

16.4.1 視頻采集與處理

16.4.2 檢測結果可視化

16.4.3 交通燈控制模塊

第17章 基於GoogLeNet的危險物品檢測

17.1 GoogLeNet簡介

17.2 運行環境

17.3 危險物品檢測模型實現

17.3.1 視頻采集與處理

17.3.2 檢測結果可視化

17.3.3 檢測報警

第18章 基於PoseNet的人體姿態估計

18.1 PoseNet動作分析

18.2 視頻采集與處理

18.3 PoseNet模型調用

第19章 安全駕駛檢測

19.1 導入Python相關的模塊包

19.2 數據探索

19.3 數據預處理

19.4 模型構建及訓練

19.5 模型驗證

19.6 OpenVINO的環境配置

19.7 模型轉換

19.8 利用OpenVINO運行優化後的IR模型

第20章 O2O優惠券使用預測

20.1 數據來源分析

20.2 數據預處理

20.2.1 用戶特征提取

20.2.2 商戶特征提取

20.2.3 優惠券特征提取

20.2.4 生成訓練和測試數據集

20.3 模型構建

20.3.1 構建RNN網絡模型

20.3.2 構建雙向LSTM網絡模型

20.3.3 構建GRU網絡模型

20.4 實驗結果

參考文獻