返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • Scala机器学习 构建现实世界机器学习和深度学习项目
  • 新华书店正版
    • 作者: [德]雷祖尔·卡里姆(Md. Rezaul Karim)著 | | 张世勇 刘波译
    • 出版社: 机械工业出版社
    • 出版时间:2018-02-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: [德]雷祖尔·卡里姆(Md. Rezaul Karim)著| 张世勇 刘波译
    • 出版社:机械工业出版社
    • 出版时间:2018-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2018-02-01
    • 字数:470千字
    • 页数:316
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111635130
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    Scala机器学习 构建现实世界机器学习和深度学习项目

    作  者:(德)雷祖尔·卡里姆(Rezaul Karim) 著 张世勇,刘波 译
    定  价:99
    出 版 社:机械工业出版社
    出版日期:2019年10月01日
    页  数:316
    装  帧:平装
    ISBN:9787111635130
    主编推荐

     

    内容简介

    《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null

    作者简介

     

    精彩内容

    目录
    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

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购