《機器學習實戰：基於Sophon平台的機器學習理論與實踐》是2019年機械工業出版社出版的圖書，作者是星環科技人工智慧平台團隊。
基本介紹
- 中文名：機器學習實戰：基於Sophon平台的機器學習理論與實踐
- 作者：星環科技人工智慧平台團隊
- 出版社：機械工業出版社
- 出版時間：2019年12月
- 頁數：246 頁
- 定價：79 元
- 開本：16 開
- 裝幀：平裝
- ISBN：978-7-111-64265-7
內容簡介,圖書目錄,
內容簡介
本書內容覆蓋了機器學習領域從理論到實踐的多個主題，總共分為10章。
第1章為導論，介紹機器學習的背景、定義和任務類型，構建機器學習套用的步驟，以及開發良雄希機器學習工作流的方式。
第2章詳細介紹數據預處理和特徵工程技術，並輔以實例進行驗證。
第3~6章介紹回歸模型、分類模型、模型融合和聚類模型，這些內容是機器學習理論和實踐中的傳統重點。其中不僅介紹各種常見數據類型的處理方法，還針對刪失數據進行了專門的綜述和實踐。
第7章介紹機器學習領域較難的圖計算話題，並從工業界視角解讀如何將圖計算落地。
第8章針對特徵工程、建模過程中大量調參的場景介紹自動機器學習的理論和套用，並細緻比較和測試了各種自動特徵工程算法在不同數據上的表現。
第9章介紹自然語言處理（詞向量、序院符婆列承棵判陵標註、關鍵字抽取、自動摘要和情感分析）技術，使用新聞文本數據搭建文本分類的流程。
第10章介紹計算機視覺中圖像分類和目標檢測的套用以及車輛檢測的落地案例。
本書既適合作為高等院校計算機、軟體工程、人工智慧等相關專業的教學用書，同時也可供從事機器學習相關領域的工程技術人員閱讀和參考，幫助他們掌握機器學習相關的算法原理，並能通過專業工具平台快速搭建各類模型，構建機器學習的行業套用。
圖書目錄
前言
叢書前言
本書編委會
前言
第1章 機器學習導論
1.1 什麼是機器學習
1.1.1 機器學習的背景
1.1.2 機器學習的定義
1.1.3 機器學習的任務類型
1.1.4 構建機器學習套用的步驟
1.2 開發機器學習工作流的方式
第2章 數據預處理與特徵工程
2.1 特徵提取
2.1.1 探索性數據分析
2.1.2 數值特徵
2.1.3 類別特徵
2.1.4 時間特徵
2.1.5 文本特徵
2.1.6 過濾方法
2.1.7 封裝方糊戶再槳法
2.1.8 嵌入方法
2.1.9 自動化特徵工程
2.2 互動式數據預處理
2.3 本章小結
第3章 回歸模型
3.1 回歸任務概述
3.2 回歸算法原理
3.2.1 線性回歸
3.2.2 決策樹回歸
3.2.3 生存回歸
3.3 Sophon 案例
3.4 本章小結
第4章 分類
4.1 分類任務概述
4.2 分類算法原理
4.2.1 邏輯回歸
4.2.2 因子分解機
4.2.3 XGBoost
4.3 使用 Sophon 建立分類模型
4.3.1 場景介紹
4.3.2 建模過程
4.3.3 結果分析
4.4 本章小結
第5章 模型融合
5.1 集成學習理論
5.1.1 集成學習基本概念
5.1.2 個體學習器
5.1.3 基學習器集成
5.1.4 常用的集成學習方法
5.2 常用融合方法
5.2.1 平均法
5.2.2 學習法（Stacking 方法）
5.3 使用 Sophon 進行模型融合
5.3.1 場景與數據集介紹
5.3.2 建模過程
5.3.3 結果分析
5.4 本章小結
第6章 聚類 78
6.1 聚類任務概述
6.2 聚類算法原理
6.2.1 K-Means
6.2.2 Fuzzy C-Means
6.2.3 Canopy
6.2.4 高斯混合
6.3 聚類模型實例
6.3.1 場景介紹
6.3.2 建模過程
6.3.3 結果分析
6.4 本章小結
第7章 圖計算
7.1 背景和問題描述
7.2 常用算法介紹
7.2.1 PageRank
7.2.2 標籤傳播
7.2.3 中心性檢測
7.2.4 圖嵌入
7.3 落地案例
7.3.1 場景介紹
7.3.2 建模過程
7.3.3 結果分析
7.4 本章小結凶漏危
第8章 自動機器學習
8.1 場景介紹
8.2 自動化特徵工程
8.2.1 自動多表特徵擴展
8.2.2 自動特徵構建良槳
8.3 建模過程
8.4 結果分析
8.5 真實測試案例
8.5.1 數據集
8.5.2 前置設定
8.5.3 測試結果分析
8.5.4 Abalone 和 Airfoil Self-Noise 數據集的增強測試
8.5.5 小結
8.6 本章小結
第9章 自然語言處理
9.1 自然語言處理算法原理
9.1.1 詞向量
9.1.2 序列標註
9.1.3 關鍵字抽取
9.1.4 文本自動摘要
9.1.5 文欠旋習本情感分析
9.2 使用 Sophon 建立自然語言處理模型
9.2.1 場景介紹
9.2.2 建模流程
9.2.3 模型評估
9.3 落地案例
9.4 本章小結
第10章 計算機視覺
10.1 計算機視覺概述
10.2 計算機視覺算法原理
10.2.1 圖像分類
10.2.2 目標檢測
10.3 計算機視覺模型示例
10.3.1 圖像預處理
10.3.2 圖像分類算法建模
10.3.3 目標檢測算法建模
10.4 落地案例
10.5 本章小結
附錄A 企業級人工智慧套用平台Sophon
A.1 產品架構
A.2 技術特點
A.3 組件介紹能
A.4 Sophon Edge 邊緣計算
A.5 Sophon EP 實體畫像
A.6 Sophon KG 知識圖譜
A.7 Sophon CV 圖像分析
A.8 Sophon NLP 自然語言處理
A.9 Sophon Cloud 服務管理
4.2.3 XGBoost
4.3 使用 Sophon 建立分類模型
4.3.1 場景介紹
4.3.2 建模過程
4.3.3 結果分析
4.4 本章小結
第5章 模型融合
5.1 集成學習理論
5.1.1 集成學習基本概念
5.1.2 個體學習器
5.1.3 基學習器集成
5.1.4 常用的集成學習方法
5.2 常用融合方法
5.2.1 平均法
5.2.2 學習法（Stacking 方法）
5.3 使用 Sophon 進行模型融合
5.3.1 場景與數據集介紹
5.3.2 建模過程
5.3.3 結果分析
5.4 本章小結
第6章 聚類 78
6.1 聚類任務概述
6.2 聚類算法原理
6.2.1 K-Means
6.2.2 Fuzzy C-Means
6.2.3 Canopy
6.2.4 高斯混合
6.3 聚類模型實例
6.3.1 場景介紹
6.3.2 建模過程
6.3.3 結果分析
6.4 本章小結
第7章 圖計算
7.1 背景和問題描述
7.2 常用算法介紹
7.2.1 PageRank
7.2.2 標籤傳播
7.2.3 中心性檢測
7.2.4 圖嵌入
7.3 落地案例
7.3.1 場景介紹
7.3.2 建模過程
7.3.3 結果分析
7.4 本章小結
第8章 自動機器學習
8.1 場景介紹
8.2 自動化特徵工程
8.2.1 自動多表特徵擴展
8.2.2 自動特徵構建
8.3 建模過程
8.4 結果分析
8.5 真實測試案例
8.5.1 數據集
8.5.2 前置設定
8.5.3 測試結果分析
8.5.4 Abalone 和 Airfoil Self-Noise 數據集的增強測試
8.5.5 小結
8.6 本章小結
第9章 自然語言處理
9.1 自然語言處理算法原理
9.1.1 詞向量
9.1.2 序列標註
9.1.3 關鍵字抽取
9.1.4 文本自動摘要
9.1.5 文本情感分析
9.2 使用 Sophon 建立自然語言處理模型
9.2.1 場景介紹
9.2.2 建模流程
9.2.3 模型評估
9.3 落地案例
9.4 本章小結
第10章 計算機視覺
10.1 計算機視覺概述
10.2 計算機視覺算法原理
10.2.1 圖像分類
10.2.2 目標檢測
10.3 計算機視覺模型示例
10.3.1 圖像預處理
10.3.2 圖像分類算法建模
10.3.3 目標檢測算法建模
10.4 落地案例
10.5 本章小結
附錄A 企業級人工智慧套用平台Sophon
A.1 產品架構
A.2 技術特點
A.3 組件介紹能
A.4 Sophon Edge 邊緣計算
A.5 Sophon EP 實體畫像
A.6 Sophon KG 知識圖譜
A.7 Sophon CV 圖像分析
A.8 Sophon NLP 自然語言處理
A.9 Sophon Cloud 服務管理
