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:

  • 深入浅出 工业机器学习算法详解与实战 张朝阳 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 张朝阳著
    • 出版社: 机械工业出版社
    • 出版时间:2020-01-01 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: 张朝阳著
    • 出版社:机械工业出版社
    • 出版时间:2020-01-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2020-01-01
    • 字数:344000
    • 页数:273
    • 开本:B5
    • 装帧:平装
    • ISBN:9787111640561
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    深入浅出 工业机器学习算法详解与实战

    作  者:张朝阳 著
    定  价:69
    出 版 社:机械工业出版社
    出版日期:2020年01月01日
    页  数:273
    装  帧:平装
    ISBN:9787111640561
    主编推荐

    内容简介

    实用性是本书的基本出发点,书中介绍了近年来在工业界被广泛应用的机器学习算法,这些算法经受了时间的考验,不但效果好而且使用方便。此外,本书也十分注重理论的深度和完整性,内容编排力求由浅入深、推理完整、前后连贯、自成体系,先讲统计学、矩阵、优化方法这些基础知识,再介绍线性模型、概率图模型、文本向量化算法、树模型和深度学习。与大多数机器学习图书不同,本书还介绍了算法周边的一些工程架构及实现原理,比如如何实时地收集训练样本和监控算法指标、参数服务器的架构设计、做A/B测试的注意事项等。本书理论体系完整,公式推导清晰,可作为机器学习初学者的自学用书。读者无需深厚的专业知识,本科毕业的理工科学生都能看懂。另外由于本书与工业实践结合得很紧密,所以也非常适合于从事算法相关工作的工程技术人员阅读。

    作者简介

    张朝阳,毕业于华中科技大学工业工程系,获硕士学位。曾就职于58同城、字节跳动,现任脉脉高级算法研究员,从事过反作弊、推荐、搜索等业务的算法研究和系统开发工作,擅长自然语言处理、点击率预估和特征工程。多年坚持写博客,总能以浅显易懂的文字将算法原理讲清楚,在博客园上吸引了众多粉丝。

    精彩内容

    目录
    前言
    第1章概述
    1.1机器学习基本流程/1
    1.2业界常用算法/2
    1.3构建机器学习系统/3
    第2章统计学
    2.1概率分布/5
    2.1.1期望与方差/5
    2.1.2概率密度函数/7
    2.1.3累积分布函数/10
    2.2极大似然估计与贝叶斯估计/11
    2.2.1极大似然估计/11
    2.2.2贝叶斯估计/13
    2.2.3共轭先验与平滑的关系/15
    2.3置信区间/15
    2.3.1t分布/16
    2.3.2区间估计/17
    2.3.3Wilson置信区间/19
    2.4相关性/20
    2.4.1数值变量的相关性/20
    2.4.2分类变量的相关性/22
    2.4.3顺序变量的相关性/27
    2.4.4分布之间的距离/28
    第3章矩阵
    3.1矩阵的物理意义/30
    3.1.1矩阵是什么/30
    3.1.2矩阵的行列式/31
    3.1.3矩阵的逆/32
    3.1.4特征值和特征向量/32
    3.2矩阵的数值稳定性/33
    3.2.1矩阵数值稳定性的度量/33
    3.2.2基于列主元的高斯{约当消元法/33
    3.2.3岭回归/38
    3.3矩阵分解/38
    3.3.1特征值分解与奇异值分解/39
    3.3.2高维稀疏矩阵的特征值分解/40
    3.3.3基于矩阵分解的推荐算法/45
    3.4矩阵编程实践/46
    3.4.1numpy数组运算/46
    3.4.2稀疏矩阵的压缩方法/50
    3.4.3用MapReduce实现矩阵乘法/52
    第4章优化方法
    4.1无约束优化方法/54
    4.1.1梯度下降法/54
    4.1.2拟牛顿法/56
    4.2带约束优化方法/58
    4.3在线学习方法/61
    4.3.1随机梯度下降法/61
    4.3.2FTRL算法/63
    4.4深度学习中的优化方法/70
    4.4.1动量法/70
    4.4.2AdaGrad/71
    4.4.3RMSprop/71
    4.4.4Adadelta/71
    4.4.5Adam/72
    4.5期望优选化算法/72
    4.5.1Jensen不等式/73
    4.5.2期望优选化算法分析/73
    4.5.3高斯混合模型/77
    第5章线性模型
    5.1广义线性模型/79
    5.1.1指数族分布/79
    5.1.2广义线性模型的特例/80
    5.2逻辑回归模型/83
    5.3分解机制模型/84
    5.3.1特征组合/84
    5.3.2分解机制/86
    5.3.3分解机制模型构造新特征的思路/87
    5.4基于域感知的分解机制模型/88
    5.5算法实验对比/95
    第6章概率图模型
    6.1隐马尔可夫模型/98
    6.1.1模型介绍/98
    6.1.2模型训练/101
    6.1.3模型预测/102
    6.2条件随机场模型/103
    6.2.1条件随机场模型及特征函数/103
    6.2.2向前变量和向后变量/107
    6.2.3模型训练/110
    6.2.4模型预测/111
    6.2.5条件随机场模型与隐马尔可夫模型的对比/112
    第7章文本向量化
    7.1词向量/113
    7.1.1word2vec/113
    7.1.2fastText/117
    7.1.3GloVe/118
    7.1.4算法实验对比/120
    7.2文档向量/121
    7.2.1ParagraphVector/121
    7.2.2LDA/123
    第8章树模型
    8.1决策树/130
    8.1.1分类树/131
    8.1.2回归树/134
    8.1.3剪枝/137
    8.2随机森林/139
    8.3AdaBoost/140
    8.4XGBoost/141
    8.5LightGBM/146
    8.5.1基于梯度的单边采样算法/147
    8.5.2互斥特征捆绑/147
    8.5.3Leaf-Wise生长策略/148
    8.5.4DART/149
    8.6算法实验对比/150
    第9章深度学习
    9.1神经网络概述/154
    9.1.1网络模型/154
    9.1.2反向传播/157
    9.1.3损失函数/158
    9.1.4过拟合问题/159
    9.1.5梯度消失/161
    9.1.6参数初始化/161
    9.2卷积神经网络/162
    9.2.1卷积/162
    9.2.2池化/165
    9.2.3CNN网络结构/165
    9.2.4textCNN/167
    9.3循环神经网络/168
    9.3.1RNN通用架构/168
    9.3.2RNN的学习问题/170
    9.3.3门控循环单元/172
    9.3.4LSTM/174
    9.3.5seq2seq/177
    9.4注意力机制/179
    第10章Keras编程
    10.1快速上手/182
    10.2Keras层/184
    10.2.1Keras内置层/184
    10.2.2自定义层/191
    10.3调试技巧/194
    10.3.1查看中间层的输出/194
    10.3.2回调函数/195
    10.4CNN和RNN的实现/198
    第11章推荐系统实战
    11.1问题建模/203
    11.2数据预处理/206
    11.2.1归一化/206
    11.2.2特征哈希/208
    11.3模型探索/210
    11.3.1基于共现的模型/210
    11.3.2图模型/211
    11.3.3DeepFM/214
    11.3.4DCN/219
    11.4推荐服务/221
    11.4.1远程过程调用简介/221
    11.4.2gRPC的使用/223
    11.4.3服务发现与负载均衡/226
    第12章收集训练数据
    12.1日志的设计/229
    12.2日志的传输/231
    12.3日志的合并/238
    12.4样本的存储/248
    第13章分布式训练
    13.1参数服务器/250
    13.2基于PS的优化算法/256
    13.3在线学习/259
    第14章A/B测试
    14.1实验分组/261
    14.2指标监控/266
    14.2.1指标的计算/266
    14.2.2指标的上报与存储/267
    14.2.3指标的展现与监控/269
    14.3实验结果分析/272

    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