包邮智能Web算法-(第2版)

预估到手价 ¥52.1 (7.6折) ?

1星价 ¥52.1

2星价￥52.1 定价￥69.0

暑期大促，全场包邮！

作者：(英)道格拉斯·G.麦基尔雷思(Doug

出版社：电子工业出版社

本类榜单：计算机/网络

分类：计算机/网络 > 网络与数据通信 > 通信

暂无评论

图文详情

ISBN：9787121317231
装帧：暂无
册数：暂无
重量：暂无
开本：32开
页数：224
出版时间：2017-07-01
条形码：9787121317231 ; 978-7-121-31723-1

本书特色

机器学习一直是人工智能研究领域的重要方向，而在大数据时代，来自Web 的数据采集、挖掘、应用技术又越来越受到瞩目，并创造着巨大的价值。本书是有关Web 数据挖掘和机器学习技术的一本知名的著作，第2 版进一步加入了本领域*的研究内容和应用案例，介绍了统计学、结构建模、推荐系统、数据分类、点击预测、深度学习、效果评估、数据采集等众多方面的内容。本书内容翔实、案例生动，有很高的阅读价值。本书适合对算法感兴趣的工程师与学生阅读，对希望从业务角度更好地理解机器学习技术的产品经理和管理层来说，亦有很好的参考价值。

内容简介

《智能Web算法（第2版）》深入讲解了如何建立机器学习系统来对采集的用户、Web应用、网站日志等数据进行深入分析和挖掘。经过这一版全面的修订，读者可以看到智能算法是怎样从数据中抽取出真实有价值的信息的，核心的机器学习概念也通过scikit-learn的Python代码示例进行了讲解。《智能Web算法（第2版）》指导读者对来自Web的源源不断的数据流进行采集、存储、建模，并掌握开发推荐引擎、统计分类算法、神经网络和深度学习等技术。

第1章　为智能Web建立应用....................................................................1

1.1　智能算法的实践运用：Google Now ..................................................................3

1.2　智能算法的生命周期 ...........................................................................................5

1.3　智能算法的更多示例 ...........................................................................................6

1.4　不属于智能应用的内容 .......................................................................................7

1.4.1　智能算法并不是万能的思考机器 ...........................................................7

1.4.2　智能算法并不能成为完全代替人类的工具 ...........................................8

1.4.3　智能算法的发展并非一蹴而就 ...............................................................8

1.5　智能算法的类别体系 ...........................................................................................9

1.5.1　人工智能 ...................................................................................................9

1.5.2　机器学习 .................................................................................................10

1.5.3　预测分析 ................................................................................................. 11

1.6　评估智能算法的效果 .........................................................................................13

1.6.1　评估智能化的程度 .................................................................................13

1.6.2　评估预测 .................................................................................................14

1.7　智能算法的重点归纳 .........................................................................................16

1.7.1　你的数据未必可靠 .................................................................................16

1.7.2　计算难以瞬间完成 .................................................................................17

1.7.3　数据规模非常重要 .................................................................................17

1.7.4　不同的算法具有不同的扩展能力 .........................................................18

1.7.5　并不存在万能的方法 .............................................................................18

1.7.6　数据并不是万能的 .................................................................................18

1.7.7　模型训练时间差异很大 .........................................................................18

1.7.8　泛化能力是目标 .....................................................................................19

1.7.9　人类的直觉未必准确 .............................................................................19

1.7.10　要考虑融入更多新特征 .......................................................................19

1.7.11　要学习各种不同的模型 .......................................................................19

1.7.12　相关关系不等同于因果关系 ...............................................................20

1.8　本章小结 .............................................................................................................20

第2章　从数据中提取结构：聚类和数据变换.........................................21

2.1　数据、结构、偏见和噪声 .................................................................................23

2.2　维度诅咒 .............................................................................................................26

2.3　k-means算法 .......................................................................................................27

2.3.1　实践运用 k-means ..................................................................................31

2.4　高斯混合模型 .....................................................................................................34

2.4.1　什么是高斯分布 .....................................................................................34

2.4.2　期望*大与高斯分布 .............................................................................37

2.4.3　高斯混合模型 .........................................................................................37

2.4.4　高斯混合模型的学习实例 .....................................................................38

2.5　k-means和GMM的关系 .....................................................................................41

2.6　数据坐标轴的变换 .............................................................................................42

2.6.1　特征向量和特征值 .................................................................................43

2.6.2　主成分分析 .............................................................................................43

2.6.3　主成分分析的示例 .................................................................................45

2.7　本章小结 .............................................................................................................47

第3章　推荐系统的相关内容..................................................................48

3.1　场景设置：在线电影商店 .................................................................................49

3.2　距离和相似度 .....................................................................................................50

3.2.1　距离和相似度的剖析 .............................................................................54

3.2.2　*好的相似度公式是什么 .....................................................................56

3.3　推荐引擎是如何工作的 .....................................................................................57

3.4　基于用户的协同过滤 .........................................................................................59

3.5　奇异值分解用于基于模型的推荐 .....................................................................64

3.5.1　奇异值分解 .............................................................................................64

3.5.2　使用奇异值分解进行推荐：为用户挑选电影 .....................................66

3.5.3　使用奇异值分解进行推荐：帮电影找到用户 .....................................71

3.6　Net.ix竞赛 ..........................................................................................................74

3.7　评估推荐系统 .....................................................................................................76

3.8　本章小结 .............................................................................................................78

第4章　分类：将物品归类到所属的地方................................................79

4.1　对分类的需求 .....................................................................................................80

4.2　分类算法概览 .....................................................................................................83

4.2.1　结构性分类算法 .....................................................................................84

4.2.2　统计性分类算法 .....................................................................................86

4.2.3　分类器的生命周期 .................................................................................87

4.3　基于逻辑回归的欺诈检测 .................................................................................88

4.3.1　线性回归简介 .........................................................................................89

4.3.2　从线性回归到逻辑回归 .........................................................................91

4.3.3　欺

展开全部

作者简介

　　Douglas McIlwraith博士在剑桥大学计算机科学系获得了学士学位，而后在帝国理工大学获得了博士学位。他是一位机器学习专家，目前他在位于伦敦的一家广告网络公司担任数据科学家职位。他在分布式系统、普适计算、通用感知、机器人以及安全监控方面都贡献了研究成果，他为让技术更好地服务人们的生活而无比激动。 Haralambos Marmanis博士是将机器学习技术引入工业解决方案的先驱，在专业软件研发方面拥有 25年经验。 Dmitry Babenko为银行、保险、供应链管理、商业智能企业等设计和开发了丰富的应用和系统架构。他拥有白俄罗斯国立信息和无线电大学计算机硕士学位。译者简介陈运文，计算机博士，达观数据 CEO，ACM和 IEEE会员，中国计算机学会高级会员；在大数据架构设计、搜索和推荐引擎、文本数据挖掘等领域有丰富的研发经验；曾经担任盛大文学首席数据官、腾讯文学数据中心高级总监、百度核心算法工程师等工作，申请有 30余项国家发明专利，多次参加国际 ACM数据算法竞赛并获得冠亚军荣誉。

本类五星书