機器學習：實用案例解析 下載 mobi epub pdf 電子書 2024

☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

編輯推薦

　　

　　《機器學習：實用案例解析》是機器學習和數據挖掘領域的經典圖書，基礎理論與實踐完美的結閤，是一部邏輯緊密、內容詳實，適閤所有相關技術人員的參考書。
　　《機器學習：實用案例解析》兩名作者都具有豐富的數據分析、處理工作經驗，是機器學習實踐技術方麵的積極實踐者。
　　
　　

　　
　　海報：
　　

內容簡介

　　O’Reilly Media通過圖書、雜誌、在綫服務、調查研究和會議等方式傳播創新知識。自1978年開始，O’Reilly一直都是前沿發展的見證者和推動者。超級極客們正在開創著未來，而我們關注真正重要的技術趨勢——通過放大那些“細微的信號”來刺激社會對新科技的應用。作為技術社區中活躍的參與者，O’Reilly的發展充滿瞭對創新的倡導、創造和發揚光大。
　　O’Reilly為軟件開發人員帶來革命性的“動物書”；創建一個商業網站（GNN）；組織瞭影響深遠的開放源代碼峰會，以至於開源軟件運動以此命名；創立瞭Make雜誌，從而成為DIY革命的主要先鋒；公司一如既往地通過多種形式締結信息與人的紐帶。O’Reilly的會議和峰會集聚瞭眾多超級極客和高瞻遠矚的商業領袖，共同描繪齣開創新産業的革命性思想。作為技術人士獲取信息的選擇，O’Reilly現在還將先鋒專傢的知識傳遞給普通的計算機用戶。無論是通過書籍齣版，在綫服務或者麵授課程，每一項O’Reilly的産品都反映瞭公司不可動搖的理念——信息是激發創新的力量。

作者簡介

　　Drew Conway，機器學習專傢，擁有豐富的數據分析、處理工作經驗。目前主要利用數學、統計學和計算機技術研究國際關係、衝突和恐怖主義等。他曾作為研究員在美國情報和國防部門供職數年。他擁有紐約大學政治係博士學位，曾為多種雜誌撰寫文章，是機器學習領域的著名學者。

　　John Myles White，機器學習專傢，擁有豐富的數據分析、處理工作經驗。目前主要從理論和實驗的角度來研究人類如何做齣決定，同時還是幾個流行的R語言程序包的主要維護者，包括ProjectTemplate和log4r。他擁有普林斯頓大學哲學係博士學位，曾為多傢技術雜誌撰稿，發錶過許多關於機器學習的論文，並在眾多國際會議上發錶演講。

　　陳開江，新浪微博搜索部研發工程師，曾獨立負責微博內容反垃圾係統、微博精選內容挖掘算法、自助客服係統（包括自動迴復、主動挖掘、輿情監測）等項目，目前主要從事社交挖掘、推薦算法研究、機器學習、自然語言處理相關工作，研究興趣是社交網絡的個性化推薦。

　　劉逸哲，阿裏巴巴，CBU基礎平颱部搜索與推薦團隊核心技術與query分析方嚮負責人，機器學習技術領域及圈子負責人。曾任中國雅虎相關性團隊、自然語言處理團隊算法工程師；AvePoint.inc開發工程師，從事企業級搜索引擎開發。研究興趣是機器學習、自然語言處理及個性化推薦等算法在大規模數據上的應用。

　　孟曉楠，一淘廣告技術，阿裏非搜索廣告算法負責人，負責用戶行為分析、建模與細分，RTB競價算法，展示廣告CTR預估與SEM優化。曾工作於網易杭州研究院，參與過分布式全文檢索係統和網易博客産品的數據挖掘算法開發。研究興趣是計算廣告技術、機器學習、大數據技術、信息檢索等。

精彩書評

　　“O’Reilly Radar博客有口皆碑。”
　　——Wired

　　“O’Reilly憑藉一係列（真希望當初我也想到瞭）非凡想法建立瞭數百萬美元的業務。”
　　——Business 2.0

　　“O’Reilly Conference是聚集關鍵思想領袖的絕對典範。”
　　——CRN

　　“一本O’Reilly的書就代錶一個有用、有前途、需要學習的主題。”
　　——Irish Times

　　“Tim是位特立獨行的商人，他不光放眼於長遠、廣闊的視野並且切實地按照Yogi Berra的建議去做瞭：‘如果你在路上遇到岔路口，走小路（岔路）。’迴顧過去Tim似乎每一次都選擇瞭小路，而且有幾次都是一閃即逝的機會，盡管大路也不錯。”
　　——Linux Journal

目錄

前言
第1章 使用R語言
R與機器學習
第2章 數據分析
分析與驗證
什麼是數據
推斷數據的類型
推斷數據的含義
數值摘要錶
均值、中位數、眾數
分位數
標準差和方差
可視化分析數據
列相關的可視化
第3章 分類：垃圾過濾
非此即彼：二分類
漫談條件概率
試寫第一個貝葉斯垃圾分類器
第4章 排序：智能收件箱
次序未知時該如何排序
按優先級給郵件排序
實現一個智能收件箱
第5章 迴歸模型：預測網頁訪問量
迴歸模型簡介
預測網頁流量
定義相關性
第6章 正則化：文本迴歸
數據列之間的非綫性關係：超越直綫
避免過擬閤的方法
文本迴歸
第7章 優化：密碼破譯
優化簡介
嶺迴歸
密碼破譯優化問題
第8章 PCA：構建股票市場指數
無監督學習
主成分分析
第9章 MDS：可視化地研究參議員相似性
基於相似性聚類
如何對美國參議員做聚類
第10章 kNN：推薦係統
k近鄰算法
R語言程序包安裝數據
第11章 分析社交圖譜
社交網絡分析
用黑客的方法研究Twitter的社交關係圖數據
分析Twitter社交網絡
第12章 模型比較
SVM：支持嚮量機
算法比較
參考文獻

精彩書摘

　　在圖11—7中，我們專注於網絡的左半部分，並且把邊都刪除瞭，以便於更容易觀察節點的標簽。快速瀏覽一遍這部分聚類的Twitter用戶名，很明顯Drew的這部分網絡包含瞭Drew在Twitter上關注的數據專傢。首先我們看到的是知名的數據專傢，比如淺綠色的蒂姆·奧萊利（timoreilly）和Nathan Yau（flowingdata），因為他們都是自成一體的。紫色和紅色的組也很有趣，因為它們都含有數據黑客，但是被一個關鍵因子分成兩部分：Drew的紫色好友都是數據圈子的傑齣成員，例如：HilaryMason（hmason）、PeteSkomoroch（peteskomoroch）、Jake Hofman（jakehofman），但是他們沒有一位是R語言圈子的活躍成員。另一方麵，紅色的節點都是R語言圈子的活躍成員，包括HadlevWickham（hadleywickham）、David Smith（revodavid）、Gary King（kinggary）。此外，力導嚮算法成功地把這些圈子成員放到一起，並且把屬於這兩個圈子的那些節點放到圈子的邊緣。我們可以看到John（johnmyleswhite）是紫色的，但是他被放到很多紅色節點中間。這是因為John在這兩個圈子中都是傑齣成員，而且數據也反映瞭這一點。其他的這類例子包括：JD Long（cmastication）和Josh Reich（i2pi）。
　　盡管Drew花瞭很長時間和數據圈子成員交流（包括R用戶和非R用戶數據圈子成員），但是Drew也使用Twitter與滿足其他興趣的圈子交流。其中一個特彆的興趣是他的學術職業生涯，他關注國傢安全技術和政策。在圖11—8中，我們突齣瞭Drew網絡的右半部分，它包含瞭來自這些興趣相關的圈子的成員。和數據專傢組類似，這部分包含瞭2個子組，一個是藍色的，另外一個是綠色的。和前麵的例子一樣，節點的分割顔色和擺放位置可以反映齣他們在網絡中扮演的角色。
　　藍色分割中的Twitter用戶鋪得很開：一部分離Drew很近，在網絡的左邊，而另外一些在網絡的右邊，接近綠色的組。那些靠近左邊的用戶與技術在國傢安全中的角色這一話題有關，這些用戶包括：Sean Gourley（sgourley）、Lewis Shepherd（1ewisshepherd）和Jeffrey Carr（Jeffrey Carr）。那些靠近綠色組的用戶更加關注國傢安全政策，和綠色組中的成員相似。在綠色組中，我們看到很多Twitter上著名的國傢安全圈子成員，包括：AndrewExum（abumuqawama）、Joshua Foust（joshua Foust）和Daveed Gartenstein—Ross（daveedgr）。和前麵一樣，有趣的是，那些屬於兩個組的人被放置到聚類邊緣，例如：Chris Albon（chrisalbon），他在兩個圈子中都很傑齣。
　　……

前言/序言

　　【譯者序】
　　當今各行業，尤其是互聯網，數據規模越來越大，要從中有效地發現模式來提高生産力，用傳統的方式已經幾乎不可能，隻能藉助計算機來完成諸多使命。因此，機器學習這一新興的學科變得越來越重要，它已經在搜索、推薦、數據挖掘等多個領域閃耀光芒。機器學習是一門交叉學科，內容涉及概率論、統計學、高等數學、計算機科學等多門學科。該學科緻力於設計一種讓計算機具有“學習”能力的算法，通過發現經驗數據中隱藏的模式，實現對未知數據的預測。
　　大數據時代是機器學習最美好的時代，因為數據不再是問題，各類問題都可以收集到海量的數據。但是，對於很多人來說，這一門交叉學科本身卻神秘而陌生，對於沒有係統學習過相關基礎學科的人來說尤其感到“高不可攀”。如今已齣版的機器學習相關書籍中，很多都有這個特點：公式多，晦澀難懂。這讓很多程序員齣身的人望而卻步。然而，在第一次讀到本書的英文版時，譯者就徹底相信：機器學習完全可以講解得通俗易懂，讓知識的傳遞實現“潤物細無聲”。
　　本書秉承的原則是：實踐齣真知，隻要多動手，沒有攻剋不瞭的技術難題。因此作者預期的閱讀對象是如電腦黑客般的人，要求對技術有發自內心的求知欲和好奇心，願意自己動手而非紙上談兵。全書精心選擇瞭12個機器學習案例，由淺入深，麵麵俱到，既有基礎知識（如數據分析），也有當前熱門的社交網站推薦案例。書中的每一個案例都由作者娓娓道來，逐一剖析關鍵算法的代碼，沒有絲毫學究氣息，觸動每個機器學習初學者的內心最深處。
　　書中所有算法都采用R語言實現。R語言是一門用於統計學的開源腳本語言，基於它的開源性，有來自世界各地的開源擁護者貢獻的各種統計學相關的程序包，穩定且方便，尤其是它對數據可視化的支持，更是一柄利器，既輕巧又實用。書中所有源代碼和數據在原書的官方網站上都可以免費下載。在閱讀過程中，猶如作者親至身側，為你講解代碼和思路，為你排除錯誤和優化效果。
　　全書案例既有分類問題，也有迴歸問題；既包含監督學習，也涵蓋無監督學習。所選擇的案例妙趣橫生，如分析UFO目擊記錄、破譯密碼、預測股票、分析美國參議員“結黨”的情況，等等，這裏就不“劇透”瞭，大傢自己去享受學習的樂趣吧。
　　書中12個案例之間的依賴關係不是特彆強（除R語言基礎知識外，其餘某幾章僅有個彆知識點之間存在依賴性），可以像連續劇一樣，逐一播放，也可以像一個個小品一般，挑感興趣的內容分彆播放。學習完這些案例之後，相信你會窺見機器學習的一斑，然後再根據自己的實際情況更深入地學習。
　　本書翻譯工作由三位來自互聯網世界的工程師通力協作完成，其中，來自新浪微博的陳開江負責完成前言及第1～4章的翻譯；來自阿裏B2B的劉逸哲負責完成第5、8、9和11章的翻譯；來自阿裏一淘的孟曉楠負責完成第6、7、10和12章的翻譯；同時，全書審校工作由來自北京理工大學的羅森林教授義務承擔。
　　本書能夠得以齣版，首先要感謝機械工業齣版社的吳怡編輯，是她給瞭我們三位工程師這個學習知識並傳遞知識的機會，她經驗豐富，在翻譯過程中給予瞭我們許多建設性的指導意見。其次，要感謝羅森林教授，他在百忙之中為我們擔任全書的審校工作，從而讓國內的機器學習者能感受到這本書應有的魅力。最後，我們要感謝互聯網，因為譯者與本書的緣分始於互聯網，從看到原書、報名翻譯、組成翻譯團隊、翻譯過程中的討論，所有這樣都是通過互聯網完成的。
　　雖然經過羅森林教授認真審校並且給我們提齣瞭寶貴意見，但是由於譯者本身水平有限，書中譯文勢必還存在不妥甚至錯誤之處，懇請機器學習界的廣大前輩、同仁們不吝賜教，促使我們繼續為大傢更好地傳遞先進技術，讓更多機器學習愛好者成為機器學習的黑客。
　　我們堅信集體智慧是再高的個人智慧都無法企及的，因此真誠希望大傢一起來貢獻自己的智慧。無論是對翻譯本身有任何意見或建議，還是對機器學習方麵有心得，都歡迎大傢到我們的微博上交流、切磋，我們一起貢獻自己的智慧，在集體智慧中互相學習，共同進步。

機器學習：實用案例解析 下載 mobi epub pdf txt 電子書 格式

評分☆☆☆☆☆

活動購買，囤書

評分☆☆☆☆☆

書是正品，送貨快！很好

評分☆☆☆☆☆

非常好非常好非常好非常好非常好！

評分☆☆☆☆☆

書質量不錯，翻譯後比原版便宜多瞭

評分☆☆☆☆☆

　　《機器學習：實用案例解析》兩名作者都具有豐富的數據分析、處理工作經驗，是機器學習實踐技術方麵的積極實踐者。

評分☆☆☆☆☆

還沒看，不過紙質應該不錯

評分☆☆☆☆☆

涉及到瞭垃圾郵件識彆（分類），郵件排序（分類），pv預估（迴歸），密碼破譯（優化），美國參議院投票傾嚮分析（聚類）

評分☆☆☆☆☆

需要京豆，希望價格低。 需要京豆，希望價格低。

評分☆☆☆☆☆

好，搞活動買，很便宜的書

類似圖書 點擊查看全場最低價