Python机器学习经典实例 第2版

第 1章 监督学习 1 1.1 技术要求 1 1.2 简介 2 1.3 用Python创建数组 3 1.3.1 准备工作 3 1.3.2 详细步骤 3 1.3.3 工作原理 4 1.3.4 更多内容 4 1.4 用均值移除法进行数据预处理 5 1.4.1 准备工作 5 1.4.2 详细步骤 6 1.4.3 工作原理 7 1.4.4 更多内容 7 1.5 数据缩放 7 1.5.1 准备工作 7 1.5.2 详细步骤 8 1.5.3 工作原理 9 1.5.4 更多内容 9 1.6 归一化 9 1.6.1 准备工作 9 1.6.2 详细步骤 10 1.6.3 工作原理 10 1.6.4 更多内容 10 1.7 二值化 10 1.7.1 准备工作 11 1.7.2 详细步骤 11 1.7.3 工作原理 11 1.7.4 更多内容 12 1.8 one-hot编码 12 1.8.1 准备工作 12 1.8.2 详细步骤 12 1.8.3 工作原理 13 1.8.4 更多内容 14 1.9 标签编码 14 1.9.1 准备工作 14 1.9.2 详细步骤 14 1.9.3 工作原理 15 1.9.4 更多内容 16 1.10 构建线性回归器 16 1.10.1 准备工作 17 1.10.2 详细步骤 18 1.10.3 工作原理 20 1.10.4 更多内容 20 1.11 计算回归准确度 21 1.11.1 准备工作 21 1.11.2 详细步骤 21 1.11.3 工作原理 22 1.11.4 更多内容 22 1.12 模型持久化 22 1.12.1 准备工作 22 1.12.2 详细步骤 23 1.12.3 工作原理 23 1.12.4 更多内容 23 1.13 构建岭回归器 24 1.13.1 准备工作 25 1.13.2 详细步骤 25 1.13.3 工作原理 26 1.14 构建多项式回归器 26 1.14.1 准备工作 27 1.14.2 详细步骤 27 1.14.3 工作原理 29 1.14.4 更多内容 29 1.15 估算房屋价格 29 1.15.1 准备工作 30 1.15.2 详细步骤 30 1.15.3 工作原理 33 1.15.4 更多内容 33 1.16 计算特征的相对重要性 33 1.16.1 准备工作 34 1.16.2 详细步骤 34 1.16.3 工作原理 36 1.16.4 更多内容 36 1.17 评估共享单车的需求分布 36 1.17.1 准备工作 36 1.17.2 详细步骤 36 1.17.3 工作原理 39 1.17.4 更多内容 39 第 2章 构建分类器 41 2.1 技术要求 41 2.2 简介 42 2.3 构建简单分类器 42 2.3.1 准备工作 43 2.3.2 详细步骤 43 2.3.3 工作原理 45 2.3.4 更多内容 45 2.4 构建逻辑回归分类器 45 2.4.1 准备工作 45 2.4.2 详细步骤 46 2.4.3 工作原理 49 2.4.4 更多内容 49 2.5 构建朴素贝叶斯分类器 49 2.5.1 准备工作 50 2.5.2 详细步骤 50 2.5.3 工作原理 52 2.5.4 更多内容 53 2.6 将数据集划分成训练集和测试集 53 2.6.1 准备工作 54 2.6.2 详细步骤 54 2.6.3 工作原理 56 2.6.4 更多内容 57 2.7 用交叉验证评估模型准确度 57 2.7.1 准备工作 57 2.7.2 详细步骤 57 2.7.3 工作原理 58 2.7.4 更多内容 59 2.8 混淆矩阵可视化 59 2.8.1 准备工作 60 2.8.2 详细步骤 60 2.8.3 工作原理 61 2.8.4 更多内容 62 2.9 提取性能报告 62 2.9.1 准备工作 62 2.9.2 详细步骤 62 2.9.3 工作原理 63 2.9.4 更多内容 63 2.10 根据特征评估汽车质量 63 2.10.1 准备工作 63 2.10.2 详细步骤 64 2.10.3 工作原理 66 2.10.4 更多内容 66 2.11 生成验证曲线 66 2.11.1 准备工作 67 2.11.2 详细步骤 67 2.11.3 工作原理 69 2.11.4 更多内容 69 2.12 生成学习曲线 69 2.12.1 准备工作 70 2.12.2 详细步骤 70 2.12.3 工作原理 71 2.12.4 更多内容 71 2.13 估算收入阶层 71 2.13.1 准备工作 72 2.13.2 详细步骤 72 2.13.3 工作原理 75 2.13.4 更多内容 75 2.14 葡萄酒质量预测 75 2.14.1 准备工作 76 2.14.2 详细步骤 76 2.14.3 工作原理 78 2.14.4 更多内容 78 2.15 新闻组热门话题分类 78 2.15.1 准备工作 78 2.15.2 详细步骤 79 2.15.3 工作原理 80 2.15.4 更多内容 80 第3章 预测建模 81 3.1 技术要求 81 3.2 简介 82 3.3 用SVM构建线性分类器 82 3.3.1 准备工作 83 3.3.2 详细步骤 84 3.3.3 工作原理 86 3.3.4 更多内容 87 3.4 用SVM构建非线性分类器 87 3.4.1 准备工作 87 3.4.2 详细步骤 87 3.4.3 工作原理 89 3.4.4 更多内容 89 3.5 解决类型不平衡问题 89 3.5.1 准备工作 90 3.5.2 详细步骤 90 3.5.3 工作原理 93 3.5.4 更多内容 93 3.6 提取置信度 93 3.6.1 准备工作 93 3.6.2 详细步骤 93 3.6.3 工作原理 95 3.6.4 更多内容 96 3.7 寻找*优超参数 96 3.7.1 准备工作 96 3.7.2 详细步骤 96 3.7.3 工作原理 100 3.7.4 更多内容 101 3.8 构建事件预测器 101 3.8.1 准备工作 101 3.8.2 详细步骤 102 3.8.3 工作原理 104 3.8.4 更多内容 104 3.9 估算交通流量 104 3.9.1 准备工作 104 3.9.2 详细步骤 105 3.9.3 工作原理 107 3.9.4 更多内容 107 3.10 用TensorFlow简化机器学习流程 107 3.10.1 准备工作 107 3.10.2 详细步骤 108 3.10.3 工作原理 109 3.10.4 更多内容 109 3.11 堆叠法实现 109 3.11.1 准备工作 109 3.11.2 详细步骤 109 3.11.3 工作原理 110 3.11.4 更多内容 111 第4章 无监督学习——聚类 112 4.1 技术要求 112 4.2 简介 113 4.3 用k-means算法聚类数据 113 4.3.1 准备工作 114 4.3.2 详细步骤 114 4.3.3 工作原理 116 4.3.4 更多内容 117 4.4 用向量量化压缩图片 117 4.4.1 准备工作 118 4.4.2 详细步骤 118 4.4.3 工作原理 121 4.4.4 更多内容 121 4.5 用凝聚层次聚类进行数据分组 122 4.5.1 准备工作 122 4.5.2 详细步骤 122 4.5.3 工作原理 125 4.5.4 更多内容 125 4.6 评估聚类算法性能 126 4.6.1 准备工作 126 4.6.2 详细步骤 126 4.6.3 工作原理 129 4.6.4 更多内容 129 4.7 用DBSCAN算法估算簇的个数 129 4.7.1 准备工作 130 4.7.2 详细步骤 130 4.7.3 工作原理 133 4.7.4 更多内容 133 4.8 探索股票数据模式 134 4.8.1 准备工作 134 4.8.2 详细步骤 134 4.8.3 工作原理 136 4.8.4 更多内容 136 4.9 构建市场细分模型 136 4.9.1 准备工作 136 4.9.2 详细步骤 137 4.9.3 工作原理 139 4.9.4 更多内容 139 4.10 用自动编码器重构手写数字图像 139 4.10.1 准备工作 140 4.10.2 详细步骤 140 4.10.3 工作原理 143 4.10.4 更多内容 144 第5章 可视化数据 145 5.1 技术需求 145 5.2 简介 146 5.3 画3D散点图 146 5.3.1 准备工作 146 5.3.2 详细步骤 146 5.3.3 工作原理 148 5.3.4 更多内容 148 5.4 画气泡图 148 5.4.1 准备工作 148 5.4.2 详细步骤 148 5.4.3 工作原理 149 5.4.4 更多内容 150 5.5 画动态气泡图 150 5.5.1 准备工作 150 5.5.2 详细步骤 150 5.5.3 工作原理 152 5.5.4 更多内容 152 5.6 画饼图 152 5.6.1 准备工作 152 5.6.2 详细步骤 153 5.6.3 工作原理 154 5.6.4 更多内容 154 5.7 绘制日期格式的时间序列数据 154 5.7.1 准备工作 154 5.7.2 详细步骤 154 5.7.3 工作原理 156 5.7.4 更多内容 156 5.8 画直方图 156 5.8.1 准备工作 157 5.8.2 详细步骤 157 5.8.3 工作原理 158 5.8.4 更多内容 159 5.9 可视化热力图 159 5.9.1 准备工作 159 5.9.2 详细步骤 159 5.9.3 工作原理 161 5.9.4 更多内容 161 5.10 动态信号的可视化模拟 161 5.10.1 准备工作 161 5.10.2 详细步骤 161 5.10.3 工作原理 163 5.10.4 更多内容 164 5.11 用seaborn库画图 164 5.11.1 准备工作 164 5.11.2 详细步骤 164 5.11.3 工作原理 166 5.11.4 更多内容 166 第6章 构建推荐引擎 167 6.1 技术要求 167 6.2 简介 168 6.3 为数据处理构建函数组合 168 6.3.1 准备工作 169 6.3.2 详细步骤 169 6.3.3 工作原理 170 6.3.4 更多内容 170 6.4 构建机器学习管道 171 6.4.1 准备工作 171 6.4.2 详细步骤 171 6.4.3 工作原理 173 6.4.4 更多内容 173 6.5 构建*近邻分类器 173 6.5.1 准备工作 173 6.5.2 详细步骤 173 6.5.3 工作原理 175 6.5.4 更多内容 176 6.6 构建KNN分类器 176 6.6.1 准备工作 176 6.6.2 详细步骤 176 6.6.3 工作原理 180 6.6.4 更多内容 181 6.7 构建KNN回归器 181 6.7.1 准备工作 181 6.7.2 详细步骤 181 6.7.3 工作原理 183 6.7.4 更多内容 184 6.8 计算欧式距离分数 184 6.8.1 准备工作 184 6.8.2 详细步骤 184 6.8.3 工作原理 186 6.8.4 更多内容 186 6.9 计算皮尔逊相关系数 186 6.9.1 准备工作 186 6.9.2 详细步骤 186 6.9.3 工作原理 188 6.9.4 更多内容 189 6.10 查找数据集中的相似用户 189 6.10.1 准备工作 189 6.10.2 详细步骤 189 6.10.3 工作原理 190 6.10.4 更多内容 191 6.11 生成电影推荐 191 6.11.1 准备工作 191 6.11.2 详细步骤 191 6.11.3 工作原理 193 6.11.4 更多内容 193 6.12 实现排序算法 193 6.12.1 准备工作 194 6.12.2 详细步骤 194 6.12.3 工作原理 195 6.12.4 更多内容 195 6.13 用TensorFlow构建过滤器模型 195 6.13.1 准备工作 196 6.13.2 详细步骤 196 6.13.3 工作原理 200 6.13.4 更多内容 200 第7章 文本数据分析 201 7.1 技术要求 201 7.2 简介 202 7.3 用标记解析的方法预处理数据 203 7.3.1 准备工作 203 7.3.2 详细步骤 203 7.3.3 工作原理 204 7.3.4 更多内容 205 7.4 提取文本数据的词干 205 7.4.1 准备工作 205 7.4.2 详细步骤 205 7.4.3 工作原理 206 7.4.4 更多内容 207 7.5 用词形还原的方法还原文本的基本形式 207 7.5.1 准备工作 207 7.5.2 详细步骤 207 7.5.3 工作原理 208 7.5.4 更多内容 209 7.6 用分块的方法划分文本 209 7.6.1 详细步骤 209 7.6.2 工作原理 210 7.6.3 更多内容 211 7.7 构建词袋模型 211 7.7.1 准备工作 211 7.7.2 详细步骤 211 7.7.3 工作原理 213 7.7.4 更多内容 214 7.8 构建文本分类器 214 7.8.1 准备工作 214 7.8.2 详细步骤 214 7.8.3 工作原理 216 7.8.4 更多内容 217 7.9 识别名字性别 217 7.9.1 准备工作 217 7.9.2 详细步骤 217 7.9.3 工作原理 219 7.9.4 更多内容 219 7.10 语句情感分析 219 7.10.1 准备工作 220 7.10.2 详细步骤 220 7.10.3 工作原理 222 7.10.4 更多内容 223 7.11 用主题建模识别文本模式 223 7.11.1 准备工作 223 7.11.2 详细步骤 223 7.11.3 工作原理 225 7.11.4 更多内容 226 7.12 用spaCy进行词性标注 226 7.12.1 准备工作 226 7.12.2 详细步骤 226 7.12.3 工作原理 227 7.12.4 更多内容 227 7.13 用gensim构建Word2Vec模型 228 7.13.1 准备工作 228 7.13.2 详细步骤 228 7.13.3 工作原理 229 7.13.4 更多内容 229 7.14 用浅层学习检测垃圾信息 229 7.14.1 准备工作 229 7.14.2 详细步骤 230 7.14.3 工作原理 230 7.14.4 更多内容 231 第8章 语音识别 232 8.1 技术要求 232 8.2 简介 233 8.3 读取和绘制音频数据 233 8.3.1 准备工作 233 8.3.2 详细步骤 234 8.3.3 工作原理 235 8.3.4 更多内容 235 8.4 将音频信号转换为频域 236 8.4.1 准备工作 236 8.4.2 详细步骤 236 8.4.3 工作原理 238 8.4.4 更多内容 238 8.5 用自定义参数生成音频信号 238 8.5.1 准备工作 238 8.5.2 详细步骤 239 8.5.3 工作原理 240 8.5.4 更多内容 241 8.6 合成音乐 241 8.6.1 准备工作 241 8.6.2 详细步骤 241 8.6.3 工作原理 243 8.6.4 更多内容 243 8.7 提取频域特征 243 8.7.1 准备工作 244 8.7.2 详细步骤 244 8.7.3 工作原理 246 8.7.4 更多内容 246 8.8 构建隐马尔可夫模型 246 8.8.1 准备工作 246 8.8.2 详细步骤 246 8.8.3 工作原理 247 8.8.4 更多内容 248 8.9 构建语音识别器 248 8.9.1 准备工作 248 8.9.2 详细步骤 249 8.9.3 工作原理 252 8.9.4 更多内容 253 8.10 构建TTS系统 253 8.10.1 准备工作 253 8.10.2 详细步骤 253 8.10.3 工作原理 254 8.10.4 更多内容 255 第9章 时序列化和时序数据分析 256 9.1 技术要求 256 9.2 简介 257 9.3 将数据转换为时间序列格式 257 9.3.1 准备工作 257 9.3.2 详细步骤 258 9.3.3 工作原理 259 9.3.4 更多内容 260 9.4 切分时间序列数据 260 9.4.1 准备工作 260 9.4.2 详细步骤 260 9.4.3 工作原理 262 9.4.4 更多内容 262 9.5 操作时间序列数据 262 9.5.1 准备工作 262 9.5.2 详细步骤 263 9.5.3 工作原理 264 9.5.4 更多内容 265 9.6 从时序数据中提取统计信息 265 9.6.1 准备工作 265 9.6.2 详细步骤 265 9.6.3 工作原理 267 9.6.4 更多内容 267 9.7 为序列数据构建隐马尔可夫模型 268 9.7.1 准备工作 268 9.7.2 详细步骤 268 9.7.3 工作原理 271 9.7.4 更多内容 271 9.8 为序列化文本数据构建条件随机场 271 9.8.1 准备工作 271 9.8.2 详细步骤 272 9.8.3 工作原理 274 9.8.4 更多内容 274 9.9 股市数据分析 274 9.9.1 准备工作 275 9.9.2 详细步骤 275 9.9.3 工作原理 278 9.9.4 更多内容 278 9.10 用RNN预测时间序列数据 279 9.10.1 准备工作 279 9.10.2 详细步骤 279 9.10.3 工作原理 283 9.10.4 更多内容 283 第 10章 图像内容分析 284 10.1 技术要求 284 10.2 简介 285 10.3 用OpenCV_Python操作图像 286 10.3.1 准备工作 286 10.3.2 详细步骤 286 10.3.3 工作原理 288 10.3.4 更多内容 288 10.4 边缘检测 288 10.4.1 准备工作 288 10.4.2 详细步骤 288 10.4.3 工作原理 290 10.4.4 更多内容 290 10.5 直方图均衡 290 10.5.1 准备工作 291 10.5.2 详细步骤 291 10.5.3 工作原理 292 10.5.4 更多内容 292 10.6 角点检测 293 10.6.1 准备工作 293 10.6.2 详细步骤 293 10.6.3 工作原理 294 10.6.4 更多内容 294 10.7 SIFT特征点检测 294 10.7.1 准备工作 295 10.7.2 详细步骤 295 10.7.3 工作原理 296 10.7.4 更多内容 296 10.8 构建Star特征检测器 296 10.8.1 准备工作 297 10.8.2 详细步骤 297 10.8.3 工作原理 298 10.8.4 更多内容 298 10.9 用视觉码本和向量量化创建特征 299 10.9.1 准备工作 299 10.9.2 详细步骤 299 10.9.3 工作原理 301 10.9.4 更多内容 302 10.10 用极端随机森林训练图像分类器 302 10.10.1 准备工作 302 10.10.2 详细步骤 302 10.10.3 工作原理 304 10.10.4 更多内容 304 10.11 构建对象识别器 304 10.11.1 准备工作 304 10.11.2 详细步骤 304 10.11.3 工作原理 306 10.11.4 更多内容 306 10.12 用LightGBM进行图像分类 306 10.12.1 准备工作 306 10.12.2 详细步骤 307 10.12.3 工作原理 309 10.12.4 更多内容 309 第 11章 生物特征人脸识别 310 11.1 技术要求 310 11.2 简介 311 11.3 从网络摄像头采集和处理视频信息 311 11.3.1 准备工作 312 11.3.2 详细步骤 312 11.3.3 工作原理 313 11.3.4 更多内容 313 11.4 用Haar级联构建人脸识别器 313 11.4.1 准备工作 314 11.4.2 详细步骤 314 11.4.3 工作原理 315 11.4.4 更多内容 316 11.5 构建眼鼻检测器 316 11.5.1 准备工作 316 11.5.2 详细步骤 316 11.5.3 工作原理 318 11.5.4 更多内容 319 11.6 主成分分析 319 11.6.1 准备工作 319 11.6.2 详细步骤 319 11.6.3 工作原理 321 11.6.4 更多内容 321 11.7 核主成分分析 321 11.7.1 准备工作 321 11.7.2 详细步骤 321 11.7.3 工作原理 324 11.7.4 更多内容 324 11.8 盲源分离 324 11.8.1 准备工作 325 11.8.2 详细步骤 325 11.8.3 工作原理 328 11.8.4 更多内容 328 11.9 用局部二值模式直方图构建人脸识别器 328 11.9.1 准备工作 328 11.9.2 详细步骤 328 11.9.3 工作原理 332 11.9.4 更多内容 332 11.10 基于HOG模型进行人脸识别 332 11.10.1 准备工作 332 11.10.2 详细步骤 333 11.10.3 工作原理 333 11.10.4 更多内容 334 11.11 人脸特征点识别 334 11.11.1 准备工作 334 11.11.2 详细步骤 334 11.11.3 工作原理 336 11.11.4 更多内容 336 11.12 用人脸识别进行用户身份验证 336 11.12.1 准备工作 337 11.12.2 详细步骤 337 11.12.3 工作原理 338 11.12.4 更多内容 338 第 12章 强化学习 339 12.1 技术要求 339 12.2 简介 340 12.3 用MDP预报天气 341 12.3.1 准备工作 341 12.3.2 详细步骤 341 12.3.3 工作原理 343 12.3.4 更多内容 343 12.4 用DP优化金融投资组合 344 12.4.1 准备工作 344 12.4.2 详细步骤 344 12.4.3 工作原理 346 12.4.4 更多内容 346 12.5 找出*短路径 346 12.5.1 准备工作 346 12.5.2 详细步骤 347 12.5.3 工作原理 348 12.5.4 更多内容 348 12.6 使用Q学习决定折扣因子 348 12.6.1 准备工作 349 12.6.2 详细步骤 349 12.6.3 工作原理 350 12.6.4 更多内容 351 12.7 实现深度Q学习算法 351 12.7.1 准备工作 351 12.7.2 详细步骤 351 12.7.3 工作原理 353 12.7.4 更多内容 353 12.8 开发基于AI的动态模型系统 353 12.8.1 准备工作 353 12.8.2 详细步骤 354 12.8.3 工作原理 355 12.8.4 更多内容 355 12.9 通过双Q学习进行深度强化学习 355 12.9.1 准备工作 356 12.9.2 详细步骤 356 12.9.3 工作原理 357 12.9.4 更多内容 357 12.10 通过dueling Q学习进行深度强化学习 357 12.10.1 准备工作 358 12.10.2 详细步骤 358 12.10.3 工作原理 359 12.10.4 更多内容 360 第 13章 深度神经网络 361 13.1 技术要求 361 13.2 简介 362 13.3 构建感知机模型 362 13.3.1 准备工作 363 13.3.2 详细步骤 363 13.3.3 工作原理 364 13.3.4 更多内容 364 13.4 构建单层神经网络 365 13.4.1 准备工作 365 13.4.2 详细步骤 365 13.4.3 工作原理 367 13.4.4 更多内容 367 13.5 构建深度神经网络 368 13.5.1 准备工作 368 13.5.2 详细步骤 368 13.5.3 工作原理 371 13.5.4 更多内容 371 13.6 创建向量量化器 371 13.6.1 准备工作 371 13.6.2 详细步骤 371 13.6.3 工作原理 373 13.6.4 更多内容 373 13.7 为序列数据分析构建循环神经网络 373 13.7.1 准备工作 374 13.7.2 详细步骤 374 13.7.3 工作原理 377 13.7.4 更多内容 377 13.8 可视化OCR数据库字符 377 13.8.1 准备工作 377 13.8.2 详细步骤 377 13.8.3 工作原理 378 13.8.4 更多内容 378 13.9 使用神经网络构建光学字符识别器 379 13.9.1 准备工作 379 13.9.2 详细步骤 379 13.9.3 工作原理 381 13.9.4 更多内容 381 13.10 用ANN实现优化算法 381 13.10.1 准备工作 382 13.10.2 详细步骤 382 13.10.3 工作原理 384 13.10.4 更多内容 384 第 14章 无监督表示学习 385 14.1 需要的文件 385 14.2 简介 386 14.3 用降噪自动编码器检测欺诈交易 386 14.3.1 准备工作 386 14.3.2 详细步骤 386 14.3.3 工作原理 390 14.3.4 更多内容 391 14.4 用CBOW和skipgram表示生成词嵌入 391 14.4.1 准备工作 391 14.4.2 详细步骤 392 14.4.3 工作原理 393 14.4.4 更多内容 393 14.5 用PCA和t-SNE可视化MNIST数据 393 14.5.1 准备工作 394 14.5.2 详细步骤 394 14.5.3 工作原理 396 14.5.4 更多内容 396 14.6 使用词嵌入进行推特情感分析 397 14.6.1 准备工作 397 14.6.2 详细步骤 397 14.6.3 工作原理 400 14.6.4 更多内容 400 14.7 用scikit-learn实现LDA 400 14.7.1 准备工作 401 14.7.2 详细步骤 401 14.7.3 工作原理 402 14.7.4 更多内容 402 14.8 用LDA对文本文档分类 402 14.8.1 准备工作 402 14.8.2 详细步骤 403 14.8.3 工作原理 404 14.8.4 更多内容 404 14.9 为LDA准备数据 405 14.9.1 准备工作 405 14.9.2 详细步骤 405 14.9.3 工作原理 407 14.9.4 更多内容 407 第 15章 自动机器学习与迁移学习 408 15.1 技术要求 408 15.2 简介 409 15.3 Auto-WEKA 409 15.3.1 准备工作 410 15.3.2 详细步骤 410 15.3.3 工作原理 410 15.3.4 更多内容 410 15.4 用AutoML工具TPOT生成机器学习管道 410 15.4.1 准备工作 411 15.4.2 详细步骤 411 15.4.3 工作原理 412 15.4.4 更多内容 412 15.5 Auto-Keras 412 15.5.1 准备工作 412 15.5.2 详细步骤 412 15.5.3 工作原理 413 15.5.4 更多内容 413 15.6 auto-sklearn 413 15.6.1 准备工作 413 15.6.2 详细步骤 414 15.6.3 工作原理 414 15.6.4 更多内容 414 15.7 用MLBox进行功能选择和泄漏检测 415 15.7.1 准备工作 415 15.7.2 详细步骤 415 15.7.3 工作原理 416 15.7.4 更多内容 416 15.8 用卷积神经网络进行迁移学习 417 15.8.1 准备工作 417 15.8.2 详细步骤 417 15.8.3 工作原理 420 15.8.4 更多内容 420 15.9 用ResNet-50作预训练图像分类器进行迁移学习 421 15.9.1 准备工作 421 15.9.2 详细步骤 421 15.9.3 工作原理 422 15.9.4 更多内容 423 15.10 用VGG16模型作特征提取器进行迁移学习 423 15.10.1 准备工作 423 15.10.2 详细步骤 423 15.10.3 工作原理 425 15.10.4 更多内容 425 15.11 用预训练GloVe嵌入模型进行迁移学习 425 15.11.1 准备工作 425 15.11.2 详细步骤 426 15.11.3 工作原理 428 15.11.4 更多内容 428 第 16章 生产中的应用 430 16.1 技术要求 430 16.2 简介 430 16.3 处理非结构化数据 431 16.3.1 准备工作 431 16.3.2 详细步骤 431 16.3.3 工作原理 432 16.3.4 更多内容 433 16.4 部署机器学习模型 433 16.4.1 准备工作 433 16.4.2 详细步骤 433 16.4.3 工作原理 435 16.4.4 更多内容 435 16.5 跟踪生产中的变化 435 16.5.1 详细步骤 435 16.5.2 工作原理 436 16.5.3 更多内容 436 16.6 跟踪准确率并优化模型 437 16.6.1 详细步骤 437 16.6.2 工作原理 437 16.6.3 更多内容 438