机器学习在线：解析阿里云机器学习平台

机器学习在线：解析阿里云机器学习平台
出版时间：2017
丛编项： 阿里巴巴集团技术丛书
内容简介
　　以机器学习中的典型案例为主线，条分缕析梳理阿里云的平台功能，讲解如何用阿里云的机器学习平台来实现各类应用，包括商家作弊检测、生存预测、信用风险预测、用户购买行为预测等，并完整地介绍了机器学习的基本原理与实践技巧。
目录
第1章 阿里云机器学习/t1
1．1 产品特点/t1
1．2 名词解释/t2
1．3 构建机器学习实验/t3
1．3．1 新建实验/t3
1．3．2 使用组件搭建工作流/t4
1．3．3 运行实验、查看结果/t5
1．3．4 模型部署、在线预测/t6
第2章 商家作弊行为检测/t7
2．1 数据探索/t8
2．2 建模、预测和评估/t15
2．3 尝试其他分类模型/t19
2．4 判断商家作弊/t24
第3章 生存预测/t27
3．1 数据集一/t27
3．1．1 特征分析/t28
3．1．2 生存预测/t33
3．2 数据集二/t36
3．2．1 随机森林模型/t39
3．2．2 朴素贝叶斯模型/t47
第4章 信用风险预测/t50
4．1 整体流程/t53
4．1．1 特征哑元化/t54
4．1．2 特征重要性/t57
4．2 模型效果评估/t61
4．3 减少模型特征的个数/t62
第5章 用户购买行为预测/t65
5．1 数据探索/t66
5．2 思路/t68
5．2．1 用户和品牌的各种特征/t69
5．2．2 二分类模型训练/t71
5．3 计算训练数据集/t71
5．3．1 原始数据划分/t72
5．3．2 计算特征/t74
5．3．3 计算标签/t89
5．4 二分类模型训练/t90
5．4．1 正负样本配比/t90
5．4．2 逻辑回归算法/t92
5．4．3 随机森林算法/t94
第6章 聚类与分类/t96
6．1 数据可视化/t97
6．2 K-Means聚类/t98
6．2．1 聚类、评估流程/t100
6．2．2 聚成两类/t101
6．2．3 聚成三类/t103
6．3 K最近邻算法/t104
6．3．1 使用KNN算法进行分类/t105
6．3．2 算法比较/t108
6．4 多分类模型/t109
6．4．1 使用朴素贝叶斯算法/t109
6．4．2 使用逻辑回归多分类算法/t112
6．4．3 使用随机森林算法/t115
6．4．4 各多分类模型效果对比/t118
第7章 葡萄酒品质预测/t119
7．1 数据探索/t120
7．2 线性回归/t123
7．3 GBDT回归/t125
第8章 文本分析/t127
8．1 分词/t128
8．2 词频统计/t130
8．3 单词的区分度/t131
8．4 字符串比较/t133
8．5 抽取关键词、关键句/t139
8．5．1 原理简介/t139
8．5．2 完整流程/t141
8．6 主题模型/t146
8．6．1 LDA模型/t147
8．6．2 新闻的主题模型/t149
8．6．3 数据预处理/t150
8．6．4 主题与原始分类的关系/t153
8．7 单词映射为向量/t160
8．7．1 相近单词/t162
8．7．2 单词聚类/t165
8．8 组件使用小结/t168
第9章 基于用户退货描述的赔付预测/t170
9．1 思路/t171
9．2 训练集的特征生成/t173
9．3 测试集的特征生成/t180
9．4 模型训练、预测、评估/t181
9．5 提高召回率/t185
第10章 情感分析/t189
10．1 词袋模型/t190
10．1．1 训练集的特征生成/t192
10．1．2 测试集的特征生成/t196
10．1．3 模型训练、预测、评估/t197
10．2 词向量模型/t200
10．2．1 特征生成/t201
10．2．2 模型训练/t206
第11章 影片推荐/t211
11．1 协同过滤/t212
11．2 整体流程/t213
11．3 预处理，过滤出好评信息/t215
11．4 计算影片间的相似度/t215
11．5 计算用户可能喜欢的影片/t221
11．6 查看推荐效果/t224
第12章 支持深度学习框架/t227
12．1 TensorFlow组件简介/t227
12．2 Softmax模型/t231
12．3 深度神经网络/t234
附录A/t237