Scala机器学习 构建现实世界机器学习和深度学习项目

 

《Scala机器学习：构建现实世界机器学习和深度学习项目》通过“保险赔偿程度分析”“电信客户流失分析与预测”“基于历史和实时数据预测高频比特币价格”“人口规模聚类与民族预测”“主题建模：更好地洞察大型文本”“开发基于模型的电影推荐引擎”“使用 Q-learning和Scala Play框架进行期权交易”“使用深度神经网络进行银行电话营销的客户订购评估”“使用自动编码器和异常检测进行欺诈分析”“使用递归神经网络识别人类活动”和“使用卷积神经网络进行图像分类”等11个完整的项目，结合Spark ML、H2O、Zeppelin、DeepLearning4j和MXNet等流行机器学习库以及一些经典数据集为读者介绍了机器学习项目的详细开发流程。《Scala机器学习：构建现实世界机器学习和深度学习项目》主要针对数据分析师、深度学习爱好者和开发人员，他们虽具有一定的背景知识，但是对于实际项目的开发过程接触得不多。通过本书的学习，读者不仅可以清楚地了解到实际项目的开发流程，而且可以对目前流行的机器学习算法、机器学习库、经典数据集、Scala函数式编程概念和Maven、SBT等构建工具等内容有更深入的认识，并能够在生产就绪环境中开发，构建和部署研究机器学习项目。

 

译者序
原书前言
第1章保险赔偿程度分析//1
1.1机器学习和学习过程//1
1.1.1典型的机器学习工作过程//2
1.2超参数调整和交叉验证//4
1.3分析和预测保险赔偿程度//6
1.3.1动机//6
1.3.2数据集的描述//6
1.3.3对数据集的探索性分析//6
1.3.4数据预处理//10
1.4LR用于预测保险索赔的严重性//13
1.4.1使用LR开发保险赔偿严重性预测模型//14
1.5GBT回归用于预测保险索赔严重性//18
1.6使用随机森林回归算法提升性能//23
1.6.1随机森林用于分类和回归//23
1.7比较分析和模型部署//29
1.7.1基于Spark的大规模数据集模型部署//33
1.8小结//34
第2章电信客户流失分析与预测//35
2.1流失分析的原理以及实现//35
2.2流失分析过程//36
2.2.1数据集的描述//38
2.2.2探索性分析（EDA）和特征工程//38
2.3LR用于流失预测//47
2.4用于流失预测的SVM//52
2.5用于客户流失预测的DT//55
2.6用于预测客户流失的随机森林//61
2.7选择要部署的很好模型//66
2.8小结//68
第3章基于历史和实时数据预测高频比特币价格//69
3.1比特币、加密货币和在线交易//69
3.1.1最优选的比特币自动交易//71
3.1.2训练//72
3.1.3预测//72
3.2原型的高级数据管道//73
3.3收集历史和实时价格数据//74
3.3.1历史数据集//74
3.3.2将历史数据转换为时间序列//75
3.3.3通过CryptocompareAPI处理实时数据//77
3.4针对预测的模型训练//80
3.5Web服务：ScalaPlay//85
3.5.1通过AkkaActor实现并发//86
3.5.2Web服务工作流程//86
3.6预测价格并评估模型//91
3.7使用ScalaPlay框架来演示预测//92
3.7.1为何选择RESTful架构//92
3.7.2项目结构//93
3.7.3运行ScalaPlayWeb应用程序//95
3.8小结//96
第4章人口规模聚类与民族预测//99
4.1人口规模聚类和区域民族//99
4.1.1针对遗传变异的机器学习//100
4.21000基因项目数据集描述//100
4.3算法、工具和技术//102
4.3.1H2O和SparklingWater//102
4.3.2ADAM用于大规模基因组数据处理//105
4.3.3无监督机器学习//1064.3.4K均值的原理//107
4.3.5用于进行地理民族预测的DNN//108
4.4配置编程环境//110
4.5数据预处理和特征工程//112
4.5.1模型训练和超参数调整//117
4.5.2使用随机森林进行民族预测//123
4.6小结//126
第5章主题建模：更好地洞察大型文本//127
5.1主题建模和文本聚类//127
5.1.1LDA算法的工作原理//129
5.2使用SparkMLlib和StanfordNLP进行主题建模//131
5.2.1实现//131
5.3其他主题模型与LDA的可扩展性//139
5.4部署经过训练的LDA模型//140
5.5小结//144
第6章开发基于模型的电影推荐引擎//145
6.1推荐系统//145
6.1.1协同过滤方法//145
6.1.2效用矩阵//147
6.2基于Spark的电影推荐系统//148
6.2.1针对电影相似性基于商品的协同过滤//148
6.2.2基于Spark的模型推荐//153
6.3选择和部署很好模型//161
6.4小结//164
第7章使用Q-learning和ScalaPlay框架进行期权交易//165
7.1强化学习与监督学习和无监督学习//165
7.1.1使用强化学习//166
7.1.2强化学习中的符号、策略和效用//166
7.2简单Q-learning算法实现//169
7.2.1Q-learning算法的组成部分//169
7.2.2QLearning模型验证//1797.2.3使用训练模型进行预测//179
7.3使用Q-learning开发期权交易Web应用程序//179
7.3.1问题描述//180
7.3.2实现期权交易Web应用程序//182
7.3.3评估模型//189
7.3.4将期权交易应用程序封装为ScalaWeb应用程序//191
7.3.5运行和部署说明//197
7.3.6模型部署//199
7.4小结//199
第8章使用深度神经网络进行银行电话营销的客户订购评估//200
8.1通过电话营销进行客户订购评估//200
8.1.1数据集描述//200
8.1.2安装ApacheZeppelin并开始使用//202
8.1.3对数据集的研究与分析//204
8.1.4数字特征统计//214
8.1.5实施客户订购评估模型//215
8.1.6超参数调整和特征选择//225
8.2小结//227
第9章使用自动编码器和异常检测进行欺诈分析//228
9.1异常值和异常检测//228
9.2自动编码器和无监督学习//231
9.2.1自动编码器的工作原理//231
9.2.2使用自动编码器实现高效的数据表示//232
9.3开发欺诈分析模型//233
9.3.1数据集的描述和使用线性模型//233
9.3.2问题描述//234
9.3.3准备编程环境//234
9.3.4辅助类和方法//254
9.4超参数调整和特征选择//255
9.5小结//256
第10章使用递归神经网络识别人类活动//258
10.1使用RNN//258
10.1.1上下文信息和RNN的体系结构//258
10.1.2RNN和长期依赖性问题//260
10.1.3LSTM网络//261
10.2使用LSTM模型识别人类活动//263
10.2.1数据集的描述//263
10.2.2为Scala设置和配置MXNet//264
10.3为HAR实现LSTM模型//266
10.4调整LSTM超参数和GRU//281
10.5小结//283
第11章使用卷积神经网络进行图像分类//284
11.1DNN的图像分类和缺点//284
11.2CNN架构//285
11.2.1卷积运算//286
11.2.2池化层和填充操作//287
11.2.3DL4j中的卷积和子采样操作//288
11.3使用CNN进行大规模图像分类//295
11.3.1问题描述//296
11.3.2图像数据集的描述//296
11.3.3整个项目的工作流程//297
11.3.4CNN图像分类的实现//298
11.4调整和优化CNN超参数//315
11.5小结//316