大數據與機器學習經典案例-微課視頻版

《 大數據與機器學習經典案例-微課視頻版》是清華大學出版社出版的一本圖書，作者：董相志、張志旺、田生文、曲海平。

基本介紹

• 中文名：大數據與機器學習經典案例-微課視頻版
• 作者：董相志、張志旺、田生文、曲海平
• 出版社：清華大學出版社
• 出版時間：2021年2月1日
• ISBN：9787302564249

內容簡介

精心選取十個大數據與機器學習的實戰案例，採用疊代遞進模式，邊理論邊實踐，深入淺出，讓讀者在工程實踐中薰陶成長，在複雜系統設計中淬鍊過硬本領。十個案例全部採用國際著名機構發布的真實數據，研究領域涉及生物信息、圖像處理、商業零售、銀行金融、自然語言處理等。每個案例採用的數據集規模相對較大，鮮明體現了機器學習在大規模數據挖掘處理方面獨領風騷。

圖書目錄

第1章房價預測與回歸問題

1.1數據集

1.2訓練集觀察

1.3列變數觀察

1.4相關矩陣

1.5缺失數據

1.6離群值

1.7常態分配

1.8同方差與異方差

1.9線性回歸假設

1.10參數估計

1.11決定係數

1.12特徵工程

1.13數據集劃分與標準化

1.14線性回歸模型

1.15嶺回歸模型

1.16Lasso回歸模型

1.17ElasticNet回歸模型

1.18XGBoost回歸模型

1.19Voting回歸模型

1.20Stacking回歸模型

1.21模型比較

小結

習題

第2章人體蛋白圖譜與卷積神經網路

2.1數據集

2.2訓練集觀察

2.3標籤向量化

2.4均衡性檢查

2.5構建新訓練集

2.6卷積運算

2.7邊緣擴充

2.8卷積步長

2.9三維卷積

2.10定義卷積層

2.11簡單卷積神經網路

2.12定義池化層

2.13經典結構LeNet5

2.14卷積網路結構剖析

2.15為什麼使用卷積

2.16數據集劃分

2.17圖像的特徵表示

2.18蛋白圖像的特徵矩陣

2.19數據標準化

2.20模型定義

2.21模型訓練

2.22模型評估

2.23模型預測

小結

習題

第3章細胞圖像與深度卷積

3.1數據集

3.2數據採集

3.3數據集觀察

3.4數據分布

3.5篩選數據集

3.6神經網路

3.7符號化表示

3.8激勵函式

3.9損失函式

3.10梯度下降

3.11正向傳播

3.12反向傳播

3.13偏差與方差

3.14正則化

3.15MiniBatch梯度下降

3.16最佳化算法

3.17參數與超參數

3.18Softmax回歸

3.19VGG16卷積網路

3.20ResNet卷積網路

3.211×1卷積

3.22Inception卷積網路

3.23合成細胞彩色圖像

3.24數據集劃分

3.25製作HDF5數據集

3.26遷移學習與特徵提取

3.27基於VGG16的遷移學習

3.28訓練ResNet50模型

3.29ResNet50模型預測

小結

習題

第4章自動駕駛與YOLO算法

4.1認識自動駕駛

4.2數據集

4.3數據集觀察

4.4變數觀察

4.5場景觀察

4.6場景動畫

4.7目標檢測

4.8特徵點檢測

4.9滑動視窗實現目標檢測

4.10卷積方法實現滑動視窗

4.11初識YOLO算法

4.12交並比

4.13非極大值抑制

4.14Anchor Boxes

4.15YOLO技術演進

4.16用OpenCV顯示圖像

4.17用OpenCV播放視頻

4.18用GoogLeNet對圖像分類

4.19用GoogLeNet對視頻逐幀分類

4.20YOLO v3預訓練模型

4.21YOLO v3對圖像做目標檢測

4.22YOLO v3對視頻做目標檢測

4.23YOLO v3對駕駛場景做目標檢測

小結

習題

第5章AlphaFold與蛋白質結構預測

5.1什麼是AlphaFold

5.2肽鍵、多肽與肽鏈

5.3蛋白質的四級結構

5.4數據集

5.5篩選蛋白質序列

5.6計算殘基之間的距離

5.7二面角與拉氏構象圖

5.8計算二面角Phi（Φ）和Psi（Ψ）

5.9裁剪殘基序列的OneHot矩陣

5.10裁剪評分矩陣和二面角標籤

5.11定義二面角預測模型

5.12二面角模型參數設定與訓練

5.13二面角模型預測與評價

5.14定義距離預測模型

5.15構建殘基序列3D特徵矩陣

5.16構建3D評分矩陣

5.17定義距離標籤的3D矩陣

5.18距離模型參數設定與訓練

5.19距離模型預測與評價

小結

習題

第6章機器問答與BERT模型

6.1Google開放域數據集

6.2序列模型與RNN

6.3詞向量

6.4注意力機制

6.5Transformer模型

6.6BERT模型

6.7數據集分析

6.8F1分數

6.9定義BERT模型和RoBERTa模型

6.10訓練BERT微調模型

6.11用BERT微調模型預測

小結

習題

第7章蘋果樹病蟲害識別與模型集成

7.1數據集

7.2葉片觀察

7.3RGB通道觀察

7.4葉片圖像分類觀察

7.5葉片類別分布統計

7.6Canny邊緣檢測

7.7數據增強

7.8劃分數據集

7.9DenseNet模型定義

7.10DenseNet模型訓練

7.11DenseNet模型預測與評估

7.12EfficientNet模型定義

7.13EfficientNet模型訓練

7.14EfficientNet模型預測與評估

7.15EfficientNet Noisy Student模型

7.16EfficientDet模型

7.17模型集成

小結

習題

參考文獻