機器學(xué)習實(shí)踐應用簡(jiǎn)介，目錄書(shū)摘

　　人工智能，觸手可及，讓數據起舞，用算法擴展業(yè)務(wù)邊界 。

　　阿里機器學(xué)習專(zhuān)家力作，實(shí)戰經(jīng)驗分享 。

　　這是一本難得的面向機器學(xué)習愛(ài)好者的入門(mén)級教程，本書(shū)涉及機器學(xué)習的基礎理論

　　和深度學(xué)習等相關(guān)內容，內容深入淺出。更加難能可貴的是，本書(shū)基于阿里云機器學(xué)習平臺，針對7個(gè)具體的業(yè)務(wù)場(chǎng)景，搭建了完整的解決方案，給讀者帶來(lái)第一手的實(shí)戰演練經(jīng)驗。

　　——阿里云資深專(zhuān)家 褚崴

　　機器學(xué)習算法正在逐漸滲透到數據化運營(yíng)的各個(gè)方面，算法和業(yè)務(wù)數據相結合可以大幅度地提高業(yè)務(wù)效率、降低成本。本書(shū)以算法的業(yè)務(wù)應用作為切入點(diǎn)，包含大量的案例說(shuō)明，非常適合讀者快速入門(mén)。

　　——阿里云高級專(zhuān)家 陳鵬宇

　　通過(guò)閱讀本書(shū)，你將了解到：

　　機器學(xué)習全流程的串聯(lián)方式，包括數據預處理、特征工程、算法、模型評估等；

　  常用的機器學(xué)習算法，包括邏輯回歸、隨機森林、支持向量機、KMEANS、DBSCAN、K近鄰、

　　馬爾科夫決策、LDA、標簽傳播等；

　　機器學(xué)習算法在實(shí)際業(yè)務(wù)中的應用，涉及金融、醫療、新聞、電商等諸多領(lǐng)域；

　　機器學(xué)習的常用工具：R、Spark-MLib、TensorFlow、PAI等；

　　時(shí)下熱門(mén)的技術(shù)領(lǐng)域：深度學(xué)習、知識圖譜等。

　　機器學(xué)習是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統計學(xué)、逼近論、凸分析、算法復雜度等多門(mén)學(xué)科，專(zhuān)門(mén)研究計算機怎樣模擬或實(shí)現人類(lèi)的學(xué)習行為。機器學(xué)習是人工智能的核心，是使計算機具有智能的根本途徑。

　　本書(shū)通過(guò)對機器學(xué)習的背景知識、算法流程、相關(guān)工具、實(shí)踐案例以及知識圖譜等內容的講解，全面介紹了機器學(xué)習的理論基礎和實(shí)踐應用。書(shū)中涉及機器學(xué)習領(lǐng)域的多個(gè)典型算法，并詳細給出了機器學(xué)習的算法流程。

　　本書(shū)適合任何有一定數據功底和編程基礎的讀者閱讀。通過(guò)閱讀本書(shū)，讀者不僅可以了解機器學(xué)習的理論基礎，也可以參照一些典型的應用案例拓展自己的專(zhuān)業(yè)技能。同時(shí)，本書(shū)也適合計算機相關(guān)專(zhuān)業(yè)的學(xué)生以及對人工智能和機器學(xué)習感興趣的讀者閱讀。

   李博，花名“傲?！?。目前任阿里云數據產(chǎn)品經(jīng)理，主要負責機器學(xué)習平臺的產(chǎn)品化建設以及對外業(yè)務(wù)應用。本科、碩士畢業(yè)于北京郵電大學(xué)，曾就職于索尼和華為（實(shí)習），從事數據相關(guān)產(chǎn)品的開(kāi)發(fā)。作為CSDN博客專(zhuān)家、云棲社區博客專(zhuān)家，長(cháng)期分享IT技術(shù)相關(guān)文章，內容涉及機器學(xué)習算法、Android應用及源碼開(kāi)發(fā)等領(lǐng)域。一直活躍于開(kāi)發(fā)者社區，主導開(kāi)發(fā)了多個(gè)GitHub百星開(kāi)源項目，還開(kāi)發(fā)并上線(xiàn)了多款手機App。作者微信公眾號（長(cháng)期更新機器學(xué)習業(yè)務(wù)應用文章）：凡人機器學(xué)習 個(gè)人網(wǎng)站：www.garvinli.com 作者郵箱：garvin.libo@gmail.com

第1部分 背景知識 

第1章 機器學(xué)習概述 3 

1.1 背景 3 

1.2 發(fā)展現狀 6 

1.2.1 數據現狀 6 

1.2.2 機器學(xué)習算法現狀 8 

1.3 機器學(xué)習基本概念 12 

1.3.1 機器學(xué)習流程 12 

1.3.2 數據源結構 14 

1.3.3 算法分類(lèi) 16 

1.3.4 過(guò)擬合問(wèn)題 18 

1.3.5 結果評估 20 

1.4 本章小結 22 

第2部分 算法流程 

第2章 場(chǎng)景解析 25 

2.1 數據探查 25 

2.2 場(chǎng)景抽象 27 

2.3 算法選擇 29 

2.4 本章小結 31 

第3章 數據預處理 32 

3.1 采樣 32 

3.1.1 隨機采樣 32 

3.1.2 系統采樣 34 

3.1.3 分層采樣 35 

3.2 歸一化 36 

3.3 去除噪聲 39 

3.4 數據過(guò)濾 42 

3.5 本章小結 43 

第4章 特征工程 44 

4.1 特征抽象 44 

4.2 特征重要性評估 49 

4.3 特征衍生 53 

4.4 特征降維 57 

4.4.1 特征降維的基本概念 57 

4.4.2 主成分分析 59 

4.5 本章小結 62 

第5章 機器學(xué)習算法——常規算法 63 

5.1 分類(lèi)算法 63 

5.1.1 K近鄰 63 

5.1.2 樸素貝葉斯 68 

5.1.3 邏輯回歸 74 

5.1.4 支持向量機 81 

5.1.5 隨機森林 87 

5.2 聚類(lèi)算法 94 

5.2.1 K-means 97 

5.2.2 DBSCAN 103 

5.3 回歸算法 109 

5.4 文本分析算法 112 

5.4.1 分詞算法——Hmm 112 

5.4.2 TF-IDF 118 

5.4.3 LDA 122 

5.5 推薦類(lèi)算法 127 

5.6 關(guān)系圖算法 133 

5.6.1 標簽傳播 134 

5.6.2 Dijkstra最短路徑 138 

5.7 本章小結 145 

第6章 機器學(xué)習算法——深度學(xué)習 146 

6.1 深度學(xué)習概述 146 

6.1.1 深度學(xué)習的發(fā)展 147 

6.1.2 深度學(xué)習算法與傳統 

算法的比較 148 

6.2 深度學(xué)習的常見(jiàn)結構 152 

6.2.1 深度神經(jīng)網(wǎng)絡(luò ) 152 

6.2.2 卷積神經(jīng)網(wǎng)絡(luò ) 153 

6.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò ) 156 

6.3 本章小結 157 

第3部分 工具介紹 

第7章 常見(jiàn)機器學(xué)習工具介紹 161 

7.1 概述 161 

7.2 單機版機器學(xué)習工具 163 

7.2.1 SPSS 163 

7.2.2 R語(yǔ)言 167 

7.2.3 工具對比 172 

7.3 開(kāi)源分布式機器學(xué)習工具 172 

7.3.1 Spark MLib 172 

7.3.2 TensorFlow 179 

7.4 企業(yè)級云機器學(xué)習工具 190 

7.4.1 亞馬遜AWS ML 191 

7.4.2 阿里云機器學(xué)習PAI 196 

7.5 本章小結 205 

第4部分 實(shí)戰應用 

第8章 業(yè)務(wù)解決方案 209 

8.1 心臟病預測 209 

8.1.1 場(chǎng)景解析 209 

8.1.2 實(shí)驗搭建 211 

8.1.3 小結 216 

8.2 商品推薦系統 216 

8.2.1 場(chǎng)景解析 217 

8.2.2 實(shí)驗搭建 218 

8.2.3 小結 220 

8.3 金融風(fēng)控案例 220 

8.3.1 場(chǎng)景解析 221 

8.3.2 實(shí)驗搭建 222 

8.3.3 小結 225 

8.4 新聞文本分析 225 

8.4.1 場(chǎng)景解析 225 

8.4.2 實(shí)驗搭建 226 

8.4.3 小結 230 

8.5 農業(yè)貸款發(fā)放預測 230 

8.5.1 場(chǎng)景解析 230 

8.5.2 實(shí)驗搭建 232 

8.5.3 小結 236 

8.6 霧霾天氣成因分析 236 

8.6.1 場(chǎng)景解析 237 

8.6.2 實(shí)驗搭建 238 

8.6.3 小結 243 

8.7 圖片識別 243 

8.7.1 場(chǎng)景解析 243 

8.7.2 實(shí)驗搭建 245 

8.7.3 小結 253 

8.8 本章小結 253 

第5部分 知識圖譜 

第9章 知識圖譜 257 

9.1 未來(lái)數據采集 257 

9.2 知識圖譜的概述 259 

9.3 知識圖譜開(kāi)源 

工具 261 

9.4 本章小結 264 

參考文獻 265