●譯者序
原書前言
章保險賠償程度分析//1
1.1機器學習和學習過程//1
1.1.1典型的機器學習工作過程//2
1.2超參數調整和交叉驗證//4
1.3分析和預測保險賠償程度//6
1.3.1動機//6
1.3.2數據集的描述//6
1.3.3對數據集的探索性分析//6
1.3.4數據預處理//10
1.4LR用於預測保險索賠的嚴重性//13
1.4.1使用LR開發保險賠償嚴重性預測模型//14
1.5GBT回歸用於預測保險索賠嚴重性//18
1.6使用隨機森林回歸算法提升性能//23
1.6.1隨機森林用於分類和回歸//23
1.7比較分析和模型部署//29
1.7.1基於Spark的大規模數據集模型部署//33
1.8小結//34
第2章電信客戶流失分析與預測//35
2.1流失分析的原理以及實現//35
2.2流失分析過程//36
2.2.1數據集的描述//38
2.2.2探索性分析（EDA）和特征工程//38
2.3LR用於流失預測//47
2.4用於流失預測的SVM//52
2.5用於客戶流失預測的DT//55
2.6用於預測客戶流失的隨機森林//61
2.7選擇要部署的最佳模型//66
2.8小結//68
第3章基於歷史和實時數據預測高頻比特幣價格//69
3.1比特幣、加密貨幣和在線交易//69
3.1.1最先進的比特幣自動交易//71
3.1.2訓練//72
3.1.3預測//72
3.2原型的不錯數據管道//73
3.3收集歷史和實時價格數據//74
3.3.1歷史數據集//74
3.3.2將歷史數據轉換為時間序列//75
3.3.3通過CryptocompareAPI處理實時數據//77
3.4針對預測的模型訓練//80
3.5Web服務：ScalaPlay//85
3.5.1通過AkkaActor實現並發//86
3.5.2Web服務工作流程//86
3.6預測價格並評估模型//91
3.7使用ScalaPlay框架來演示預測//92
3.7.1為何選擇RESTful架構//92
3.7.2項目結構//93
3.7.3運行ScalaPlayWeb應用程序//95
3.8小結//96
第4章人口規模聚類與民族預測//99
4.1人口規模聚類和區域民族//99
4.1.1針對遺傳變異的機器學習//100
4.21000基因項目數據集描述//100
4.3算法、工具和技術//102
4.3.1H2O和SparklingWater//102
4.3.2ADAM用於大規模基因組數據處理//105
4.3.3無監督機器學習//1064.3.4K均值的原理//107
4.3.5用於進行地理民族預測的DNN//108
4.4配置編程環境//110
4.5數據預處理和特征工程//112
4.5.1模型訓練和超參數調整//117
4.5.2使用隨機森林進行民族預測//123
4.6小結//126
第5章主題建模：更好地洞察大型文本//127
5.1主題建模和文本聚類//127
5.1.1LDA算法的工作原理//129
5.2使用SparkMLlib和StanfordNLP進行主題建模//131
5.2.1實現//131
5.3其他主題模型與LDA的可擴展性//139
5.4部署經過訓練的LDA模型//140
5.5小結//144
第6章開發基於模型的電影推薦引擎//145
6.1推薦繫統//145
6.1.1協同過濾方法//145
6.1.2效用矩陣//147
6.2基於Spark的電影推薦繫統//148
6.2.1針對電影相似性基於商品的協同過濾//148
6.2.2基於Spark的模型推薦//153
6.3選擇和部署最佳模型//161
6.4小結//164
第7章使用Q-learning和ScalaPlay框架進行期權交易//165
7.1強化學習與監督學習和無監督學習//165
7.1.1使用強化學習//166
7.1.2強化學習中的符號、策略和效用//166
7.2簡單Q-learning算法實現//169
7.2.1Q-learning算法的組成部分//169
7.2.2QLearning模型驗證//1797.2.3使用訓練模型進行預測//179
7.3使用Q-learning開發期權交易Web應用程序//179
7.3.1問題描述//180
7.3.2實現期權交易Web應用程序//182
7.3.3評估模型//189
7.3.4將期權交易應用程序封裝為ScalaWeb應用程序//191
7.3.5運行和部署說明//197
7.3.6模型部署//199
7.4小結//199
第8章使用深度神經網絡進行銀行電話營銷的客戶訂購評估//200
8.1通過電話營銷進行客戶訂購評估//200
8.1.1數據集描述//200
8.1.2安裝ApacheZeppelin並開始使用//202
8.1.3對數據集的研究與分析//204
8.1.4數字特征統計//214
8.1.5實施客戶訂購評估模型//215
8.1.6超參數調整和特征選擇//225
8.2小結//227
第9章使用自動編碼器和異常檢測進行欺詐分析//228
9.1異常值和異常檢測//228
9.2自動編碼器和無監督學習//231
9.2.1自動編碼器的工作原理//231
9.2.2使用自動編碼器實現高效的數據表示//232
9.3開發欺詐分析模型//233
9.3.1數據集的描述和使用線性模型//233
9.3.2問題描述//234
9.3.3準備編程環境//234
9.3.4輔助類和方法//254
9.4超參數調整和特征選擇//255
9.5小結//256
0章使用遞歸神經網絡識別人類活動//258
10.1使用RNN//258
10.1.1上下文信息和RNN的體繫結構//258
10.1.2RNN和長期依賴性問題//260
10.1.3LSTM網絡//261
10.2使用LSTM模型識別人類活動//263
10.2.1數據集的描述//263
10.2.2為Scala設置和配置MXNet//264
10.3為HAR實現LSTM模型//266
10.4調整LSTM超參數和GRU//281
10.5小結//283
1章使用卷積神經網絡進行圖像分類//284
11.1DNN的圖像分類和缺點//284
11.2CNN架構//285
11.2.1卷積運算//286
11.2.2池化層和填充操作//287
11.2.3DL4j中的卷積和子采樣操作//288
11.3使用CNN進行大規模圖像分類//295
11.3.1問題描述//296
11.3.2圖像數據集的描述//296
11.3.3整個項目的工作流程//297
11.3.4CNN圖像分類的實現//298
11.4調整和優化CNN超參數//315
11.5小結//316