logo
分类于: 计算机基础 云计算&大数据 人工智能

简介

Python大规模机器学习: 智能系统与技术丛书

Python大规模机器学习: 智能系统与技术丛书 0.0分

资源最后更新于 2020-03-29 03:05:59

作者:〔荷〕巴斯蒂安·贾丁(Bastiaan Sjardin) 〔意〕卢卡·马萨罗(Luca Massaron)〔意〕阿尔贝托·博斯凯蒂(Alberto Boschetti)

译者:王贵财刘春明

出版社:出版社机械工业出版社

出版日期:2019-05

ISBN:9787111623144

文件格式: pdf

标签: 计算机 编程语言 程序设计 机器学习 智能 Python 智能系统与技术丛书

简介· · · · · ·

本书不仅介绍大规模机器学习的基本概念,还包含丰富的案例研究。书中所选皆为最实用的技术和工具,而对理论细节不进行深入讨论,旨在提供大规模机器学习方法(甚至非常规方法)。不管是初学者、普通用户还是专家级用户,通过本书都能理解并掌握利用Python进行大规模机器学习。为让读者快速掌握核心技术,本书由浅入深讲解大量实例,图文并茂呈现每一步的操作结果,帮助读者更好地掌握大规模机器学习Python工具。例如:基于Scikit-learn可扩展学习、Liblinear和Vowpal Wabbit快速支持向量机、基于Theano与H2O的大规模深度学习方法、TensorFlow深度学习技术与在线神经网络方法、大规模分类和回归树的可扩展解决方案、大规模无监督学习(PCA,聚类分析和主题建模等)扩展方法、Hadoop和Spark分布式环境、Spark机器学习实践以及Theano和GPU计算的基础知识。巴斯蒂安·贾丁(Bastiaan Sjardin),是一位具有人工智能和数学背景的数据科学家和公司创始人。他获得莱顿大学和麻省理工学院(MIT)校园课程联合培养的认知科学硕士学位。在过去五年中,他从事过广泛的数据科学和人工智能项目。他是密歇根大学社会网络分析课程Coursera和约翰斯·霍普金斯大学机器学习实践课程的常客。他擅长Python和R编程语言。目前,他是Quandbee(http://www.quandbee.com)的联合创始人,该公司主要提供大规模机器学习和人工智能应用。

想要: 点击会收藏到你的 我的收藏,可以在这里查看

已收: 表示已经收藏

Tips: 注册一个用户 可以通过用户中心得到电子书更新的通知哦

目录

  1. 译者序
  2. 前言
  3. 作者简介
  4. 审校者简介
  5. 第1章 迈向可扩展性的第一步
  6. 1.1 详细解释可扩展性
  7. 1.2 Python用于大规模机器学习
  8. 1.3 Python包
  9. 第2章 Scikit-learn中的可扩展学习
  10. 2.1 非核心学习
  11. 2.2 流化源数据
  12. 2.3 随机学习
  13. 2.4 数据流的特征管理
  14. 2.5 小结
  15. 第3章 实现快速SVM
  16. 3.1 测试数据集
  17. 3.2 支持向量机
  18. 3.3 正则化特征选择
  19. 3.4 SGD中的非线性
  20. 3.5 超参数调整
  21. 3.6 小结
  22. 第4章 神经网络与深度学习
  23. 4.1 神经网络架构
  24. 4.2 神经网络和正则化
  25. 4.3 神经网络和超参数优化
  26. 4.4 神经网络和决策边界
  27. 4.5 用H2O进行规模化深度学习
  28. 4.6 深度学习和无监督预训练
  29. 4.7 使用theanets进行深度学习
  30. 4.8 自动编码器和无监督学习
  31. 4.9 小结
  32. 第5章 用TensorFlow进行深度学习
  33. 5.1 TensorFlow安装
  34. 5.2 在TensorFlow上使用SkFlow进行机器学习
  35. 5.3 安装Keras和TensorFlow
  36. 5.4 在TensorFlow中通过Keras实现卷积神经网络
  37. 5.5 增量CNN方法
  38. 5.6 GPU计算
  39. 5.7 小结
  40. 第6章 大规模分类和回归树
  41. 6.1 bootstrap聚合
  42. 6.2 随机森林和极端随机森林
  43. 6.3 随机搜索实现快速参数优化
  44. 6.4 CART和boosting
  45. 6.5 XGBoost
  46. 6.6 用H2O实现非核心CART
  47. 6.7 小结
  48. 第7章 大规模无监督学习
  49. 7.1 无监督方法
  50. 7.2 特征分解:PCA
  51. 7.3 使用H2O的PCA
  52. 7.4 K-均值聚类算法
  53. 7.5 用H2O实现K-均值
  54. 7.6 LDA
  55. 7.7 小结
  56. 第8章 分布式环境——Hadoop和Spark
  57. 8.1 从单机到集群
  58. 8.2 设置VM
  59. 8.3 Hadoop生态系统
  60. 8.4 Spark
  61. 8.5 小结
  62. 第9章 Spark机器学习实践
  63. 9.1 为本章设置虚拟机
  64. 9.2 跨集群节点共享变量
  65. 9.3 Spark的数据预处理
  66. 9.4 Spark机器学习
  67. 9.5 小结
  68. 附录 介绍GPU和Theano