这些资源你可能感兴趣
以机器学习中的典型案例为主线，条分缕析梳理阿里云的平台功能，讲解如何用阿里云的机器学习平台来实现各类应用，包括商家作弊检测、生存预测、信用风险预测、用户购买行为预测等，并完整地介绍了机器学习的基本原理与实践技巧。
2004年获南开大学数学博士学位；随后在南开大学信息学院从事博士后研究工作；2006年加入微软亚洲研究院，进行符号计算、大规模矩阵计算及机器学习算法研究；2010年加入阿里巴巴，从事大数据相关的统计和机器学习算法研发。著有《重构大数据统计》。
编辑推荐
《机器学习在线:解析阿里云机器学习平台》适合机器学习算法的初学者及中级用户快速入门，在机器学习实践中学习。
作者简介
2004年获南开大学数学博士学位；随后在南开大学信息学院从事博士后研究工作；2006年加入微软亚洲研究院，进行符号计算、大规模矩阵计算及机器学习算法研究；2010年加入阿里巴巴，从事大数据相关的统计和机器学习算法研发。著有《重构大数据统计》。
目录
第1章阿里云机器学习1
1.1产品特点1
1.2名词解释2
1.3构建机器学习实验3
1.3.1新建实验3
1.3.2使用组件搭建工作流4
1.3.3运行实验、查看结果5
1.3.4模型部署、在线预测6
第2章商家作弊行为检测7
2.1数据探索8
2.2建模、预测和评估15
2.3尝试其他分类模型19
2.4判断商家作弊24
第3章生存预测27
3.1数据集一27
3.1.1特征分析28
3.1.2生存预测33
3.2数据集二36
3.2.1随机森林模型39
3.2.2朴素贝叶斯模型47
第4章信用风险预测50
4.1整体流程53
4.1.1特征哑元化54
4.1.2特征重要性57
4.2模型效果评估61
4.3减少模型特征的个数62
第5章用户购买行为预测65
5.1数据探索66
5.2思路68
5.2.1用户和品牌的各种特征69
5.2.2二分类模型训练71
5.3计算训练数据集71
5.3.1原始数据划分72
5.3.2计算特征74
5.3.3计算标签89
5.4二分类模型训练90
5.4.1正负样本配比90
5.4.2逻辑回归算法92
5.4.3随机森林算法94
第6章聚类与分类96
6.1数据可视化97
6.2K—Means聚类98
6.2.1聚类、评估流程100
6.2.2聚成两类101
6.2.3聚成三类103
6.3K最近邻算法104
6.3.1使用KNN算法进行分类105
6.3.2算法比较108
6.4多分类模型109
6.4.1使用朴素贝叶斯算法109
6.4.2使用逻辑回归多分类算法112
6.4.3使用随机森林算法115
6.4.4各多分类模型效果对比118
第7章葡萄酒品质预测119
7.1数据探索120
7.2线性回归123
7.3GBDT回归125
第8章文本分析127
8.1分词128
8.2词频统计130
8.3单词的区分度131
8.4字符串比较133
8.5抽取关键词、关键句139
8.5.1原理简介139
8.5.2完整流程141
8.6主题模型146
8.6.1LDA模型147
8.6.2新闻的主题模型149
8.6.3数据预处理150
8.6.4主题与原始分类的关系153
8.7单词映射为向量160
8.7.1相近单词162
8.7.2单词聚类165
8.8组件使用小结168
第9章基于用户退货描述的赔付预测170
9.1思路171
9.2训练集的特征生成173
9.3测试集的特征生成180
9.4模型训练、预测、评估181
9.5提高召回率185
第10章情感分析189
10.1词袋模型190
10.1.1训练集的特征生成192
10.1.2测试集的特征生成196
10.1.3模型训练、预测、评估197
10.2词向量模型200
10.2.1特征生成201
10.2.2模型训练206
第11章影片推荐211
11.1协同过滤212
11.2整体流程213
11.3预处理，过滤出好评信息215
11.4计算影片间的相似度215
11.5计算用户可能喜欢的影片221
11.6查看推荐效果224
第12章支持深度学习框架227
12.1TensorFlow组件简介227
12.2Softmax模型231
12.3深度神经网络234
附录A237
本书评论