●章集裝箱危險品瞞報預測
1.1業務背景分析
1.2數據提取
1.3數據預處理
1.3.1數據集成
1.3.2數據清洗
1.3.3數據變換
1.3.4數據離散化
1.3.5特征重要性篩選
1.3.6數據平衡
1.4危險品瞞報預測建模
1.5模型評估
第2章保險產品推薦
2.1業務背景分析
2.2數據探索
2.3數據預處理
2.4分類模型構建
2.5平衡數據集
2.6算法調參
2.7模型比較
第3章圖書類目自動標引繫統
3.1業務背景分析
3.2數據提取
3.3數據預處理
3.4基於貝葉斯分類的文獻標引
3.4.1增量訓練
3.4.2特征降維與消歧
3.4.3權重調節
3.5性能評估與結論
3.6基於BERT算法的文獻標引
3.6.1數據預處理
3.6.2構建訓練集
3.6.3模型實現
第4章基於分類算法的學習失敗預警
4.1業務背景分析
4.2學習失敗風險預測流程
4.3數據收集
4.4數據預處理
4.4.1數據探查及特征選擇
4.4.2數據集劃分及不平衡樣本處理
4.4.3樣本生成及標準化處理
4.5隨機森林算法
4.5.1網格搜索及模型訓練
4.5.2結果分析與可視化
4.5.3特征重要性分析
4.5.4與其他算法比較
第5章自然語言處理技術實例
5.1業務背景分析
5.2分析框架
5.3數據收集
5.4建立模型
5.4.1文本分詞
5.4.2主題詞提取
5.4.3情感分析
5.4.4語義角色標記
5.4.5語言模型
5.4.6詞向量模型Word2vec
第6章基於標簽的信息推薦繫統
6.1業務背景分析
6.2數據預處理
6.2.1現有繫統現狀
6.2.2數據預處理
6.3內容分析
6.4基於協同過濾推薦
6.4.1用戶偏好矩陣構建
6.4.2用戶相似度度量
6.5基於用戶興趣推薦
6.6“冷啟動”問題與混合策略
6.6.1冷啟動問題分析
6.6.2混合策略
第7章快銷行業客戶行為分析與流失預警
7.1業務背景分析
7.2數據預處理
7.2.1數據整理
7.2.2數據統計與探查
7.3用戶行為分析
7.3.1用戶流失風險評估
7.3.2流失風險預警模型集成
第8章基於深度學習的圖片識別繫統
8.1業務背景分析
8.2圖片識別技術方案
8.3圖片預處理——表格旋轉
8.4圖片預處理——表格提取
8.5基於PaddlePaddle框架的文本識別
8.5.1環境安裝
8.5.2模型設計
8.5.3模型訓練
8.5.4模型使用
8.6基於密集卷積網絡的文本識別模型
8.6.1訓練數據生成
8.6.2DenseNet模型訓練
8.6.3文本識別模型調用
第9章分辨率圖像重建
9.1數據探索
9.2數據預處理
9.2.1圖像尺寸調整
9.2.2載入數據
9.2.3圖像預處理
9.2.4持久化測試數據
9.3模型設計
9.3.1殘差塊
9.3.2上采樣PixelShuffler
9.3.3生成器
9.3.4判別器
9.3.5損失函數與優化器定義
9.3.6訓練過程
9.4實驗評估
0章人類活動識別
10.1業務背景分析
10.2數據探索
10.3數據預處理
10.4模型構建
10.5模型評估
附錄機器學習復習題
內容簡介
機器學習是人工智能的重要技術基礎，涉及的內容十分廣泛。本書基於Python語言，實現了10個典型的實戰案例，其內容涵蓋了機器學習的基礎箄法，主要包括統計學習基礎、分類、貝葉斯網絡、文本分析、圖像處理等機器學習理論。此外，還介紹了機器學習的推薦技術應用。本書深入淺出，以實際應用的項目作為案例，實踐性強，注重提升讀者的動手操作能力，適合作為高等院校本科生、研究生機器學習、數據分析、數據挖掘等課程的實驗教材，也可作為對機器學習感興趣的研究人員和工程技術人員的參考資料。
