机器学习实战(基于Sophon平台的机器学习理论与实践)/工业和信息化领域急需紧缺人才大

本书内容覆盖了机器学习领域从理论到实践的多 个主题-总共分为10章。 第1章为导论-介绍机器学习的背景、定义和任务 类型-构建机器学习应用的步骤-以及开发机器学习工 作流的方式。 第2章详细介绍数据预处理和特征工程技术-并辅 以实例进行验证。 第3～6章介绍回归模型、分类模型、模型融合和 聚类模型-这些内容是机器学习理论和实践中的传统重 点。其中不仅介绍各种常见数据类型的处理方法-还针 对删失数据进行了专门的综述和实践。 第7章介绍机器学习领域较难的图计算话题-并从 工业界视角解读如何将图计算落地。 第8章针对特征工程、建模过程中大量调参的场景 介绍自动机器学习的理论和应用-并细致比较和测试了 各种自动特征工程算法在不同数据上的表现。 第9章介绍自然语言处理（词向量、序列标注、关 键词抽取、自动摘要和情感分析）技术-使用新闻文本 数据搭建文本分类的流程。 第10章介绍计算机视觉中图像分类和目标检测的 应用以及车辆检测的落地案例。 本书既适合作为高等院校计算机、软件工程、人 工智能等相关专业的教学用书-同时也可供从事机器学 习相关领域的工程技术人员阅读和参考-帮助他们掌握 机器学习相关的算法原理-并能通过专业工具平台快速 搭建各类模型-构建机器学习的行业应用。

前言 丛书前言 本书编委会 前言 第1章 机器学习导论 1.1 什么是机器学习 1.1.1 机器学习的背景 1.1.2 机器学习的定义 1.1.3 机器学习的任务类型 1.1.4 构建机器学习应用的步骤 1.2 开发机器学习工作流的方式 第2章 数据预处理与特征工程 2.1 特征提取 2.1.1 探索性数据分析 2.1.2 数值特征 2.1.3 类别特征 2.1.4 时间特征 2.1.5 文本特征 2.1.6 过滤方法 2.1.7 封装方法 2.1.8 嵌入方法 2.1.9 自动化特征工程 2.2 交互式数据预处理 2.3 本章小结 第3章 回归模型 3.1 回归任务概述 3.2 回归算法原理 3.2.1 线性回归 3.2.2 决策树回归 3.2.3 生存回归 3.3 Sophon案例 3.4 本章小结 第4章 分类模型 4.1 分类任务概述 4.2 分类算法原理 4.2.1 逻辑回归 4.2.2 因子分解机 4.2.3 XGBoost 4.3 使用Sophon建立分类模型 4.3.1 场景介绍 4.3.2 建模过程 4.3.3 结果分析 4.4 本章小结 第5章 模型融合 5.1 集成学习理论 5.1.1 集成学习基本概念 5.1.2 个体学习器 5.1.3 基学习器集成 5.1.4 常用的集成学习方法 5.2 常用融合方法 5.2.1 平均法 5.2.2 学习法（Stacking方法） 5.3 使用 Sophon进行模型融合 5.3.1 场景与数据集介绍 5.3.2 建模过程 5.3.3 结果分析 5.4 本章小结 第6章 聚类模型 6.1 聚类任务概述 6.2 聚类算法原理 6.2.1 K-Means 6.2.2 Fuzzy C-Means 6.2.3 Canopy 6.2.4 高斯混合 6.3 聚类模型实例 6.3.1 场景介绍 6.3.2 建模过程 6.3.3 结果分析 6.4 本章小结 第7章 图计算 7.1 背景和问题描述 7.2 常用算法介绍 7.2.1 PageRank 7.2.2 标签传播 7.2.3 中心性检测 7.2.4 图嵌入 7.3 落地案例 7.3.1 场景介绍 7.3.2 建模过程 7.3.3 结果分析 7.4 本章小结 第8章 自动机器学习 8.1 场景介绍 8.2 自动化特征工程 8.2.1 自动多表特征扩展 8.2.2 自动特征构建 8.3 建模过程 8.4 结果分析 8.5 真实测试案例 8.5.1 数据集 8.5.2 前置设置 8.5.3 测试结果分析 8.5.4 Abalone和Airfoil Self-Noise数据集的增强测试 8.5.5 小结 8.6 本章小结 第9章 自然语言处理 9.1 自然语言处理算法原理 9.1.1 词向量 9.1.2 序列标注 9.1.3 关键词抽取 9.1.4 文本自动摘要 9.1.5 文本情感分析 9.2 使用 Sophon建立自然语言处理模型 9.2.1 场景介绍 9.2.2 建模流程 9.2.3 模型评估 9.3 落地案例 9.4 本章小结 第10章 计算机视觉 10.1 计算机视觉概述 10.2 计算机视觉算法原理 10.2.1 图像分类 10.2.2 目标检测 10.3 计算机视觉模型示例 10.3.1 图像预处理 10.3.2 图像分类算法建模 10.3.3 目标检测算法建模 10.4 落地案例 10.5 本章小结 附录A 企业级人工智能应用平台Sophon 参考文献