Python机器学习实战案例(本科教材)

目录
第1章集装箱危险品瞒报预测 1.1业务背景分析 1.2数据提取 1.3数据预处理 1.3.1数据集成 1.3.2数据清洗 1.3.3数据变换 1.3.4数据离散化 1.3.5特征重要性筛选 1.3.6数据平衡 1.4危险品瞒报预测建模 1.5模型评估 第2章保险产品推荐 2.1业务背景分析 2.2数据探索 2.3数据预处理 2.4分类模型构建 2.5平衡数据集 2.6算法调参 2.7模型比较 第3章图书类目自动标引系统 3.1业务背景分析 3.2数据提取 3.3数据预处理 3.4基于贝叶斯分类的文献标引 3.4.1增量训练 3.4.2特征降维与消歧 3.4.3权重调节
3.5性能评估与结论 3.6基于BERT算法的文献标引 3.6.1数据预处理 3.6.2构建训练集 3.6.3模型实现 第4章基于分类算法的学习失败预警 4.1业务背景分析 4.2学习失败风险预测流程 4.3数据收集 4.4数据预处理 4.4.1数据探查及特征选择 4.4.2数据集划分及不平衡样本处理 4.4.3样本生成及标准化处理 4.5随机森林算法 4.5.1网格搜索及模型训练 4.5.2结果分析与可视化 4.5.3特征重要性分析 4.5.4与其他算法比较 第5章自然语言处理技术实例 5.1业务背景分析 5.2分析框架 5.3数据收集 5.4建立模型 5.4.1文本分词 5.4.2主题词提取 5.4.3情感分析 5.4.4语义角色标记 5.4.5语言模型 5.4.6词向量模型Word2vec 第6章基于标签的信息推荐系统 6.1业务背景分析 6.2数据预处理 6.2.1现有系统现状 6.2.2数据预处理 6.3内容分析 6.4基于协同过滤推荐 6.4.1用户偏好矩阵构建 6.4.2用户相似度度量 6.5基于用户兴趣推荐 6.6“冷启动”问题与混合策略 6.6.1冷启动问题分析 6.6.2混合策略 第7章快销行业客户行为分析与流失预警 7.1业务背景分析 7.2数据预处理 7.2.1数据整理 7.2.2数据统计与探查 7.3用户行为分析 7.3.1用户流失风险评估 7.3.2流失风险预警模型集成 第8章基于深度学习的图片识别系统 8.1业务背景分析 8.2图片识别技术方案 8.3图片预处理——表格旋转 8.4图片预处理——表格提取 8.5基于PaddlePaddle框架的文本识别 8.5.1环境安装 8.5.2模型设计 8.5.3模型训练 8.5.4模型使用 8.6基于密集卷积网络的文本识别模型 8.6.1训练数据生成 8.6.2DenseNet模型训练 8.6.3文本识别模型调用 第9章超分辨率图像重建 9.1数据探索 9.2数据预处理 9.2.1图像尺寸调整 9.2.2载入数据 9.2.3图像预处理 9.2.4持久化测试数据 9.3模型设计 9.3.1残差块 9.3.2上采样 PixelShuffler 9.3.3生成器 9.3.4判别器 9.3.5损失函数与优化器定义 9.3.6训练过程 9.4实验评估 第10章人类活动识别 10.1业务背景分析 10.2数据探索 10.3数据预处理 10.4模型构建 10.5模型评估 附录机器学习复习题 参考文献