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。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。0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。
|
