实用机器学习

出版者:机械工业出版社

作者:[美] Henrik Brink

页数:0

译者:程继洪

出版时间:2017-6

价格:69

装帧:平装

isbn号码:9787111569220

丛书系列:计算机科学先进技术译丛

具体描述

本书介绍了实用机器学习的工作流程，主要从实用角度进行了描述，没有数学公式和推导。本书涵盖了数据收集与处理、模型构建、评价和优化、特征的识别、提取和选择技术、高级特征工程、数据可视化技术以及模型的部署和安装，结合3个真实案例全面、详细地介绍了整个机器学习流程。后，还介绍了机器学习流程的扩展和大数据应用。

本书可以作为程序员、数据分析师、统计学家、数据科学家解决实际问题的参考书，也可以作为机器学习爱好者学习和应用的参考书，还可以作为非专业学生的机器学习入门参考书，以及专业学生的实践参考书。

作者简介

HenrikBrink（亨里克·布林克）是一名数据科学家，对应用机器学习进行工业和学术应用开发有着丰富的经验。

JosephRichards（约瑟夫W理查兹）也是一位数据科学家，具有应用统计和预测分析方面的专业知识。Henrik和Joseph是Wise.io的联合创立者，Wise.io是一家提供工业机器学习解决方案的开发商。

MarkFetherolf（马克·弗特罗夫）是数据管理和预测分析公司NuminaryDataScience的创始人和总裁。他曾在社会科学研究、化学工程、信息系统性能、容量规划、有线电视和在线广告应用等方面担任统计师和分析数据库开发人员。

目录信息

推荐序
作者序
致谢
译者序
关于本书
作者简介
关于封面插图
第1部分机器学习工作流程
第1章什么是机器学习
1.1理解机器学习
1.2使用数据进行决策
1.2.1传统方法
1.2.2机器学习方法
1.2.3机器学习的五大优势
1.2.4面临的挑战
1.3跟踪机器学习流程：从数据到部署
1.3.1数据集合和预处理
1.3.2数据构建模型
1.3.3模型性能评估
1.3.4模型性能优化
1.4提高模型性能的高级技巧
1.4.1数据预处理和特征工程
1.4.2用在线算法持续改进模型
1.4.3具有数据量和速度的规模化模型
1.5总结
1.6本章术语
第2章实用数据处理
2.1起步：数据收集
2.1.1应包含哪些特征
2.1.2如何获得目标变量的真实值
2.1.3需要多少训练数据
2.1.4训练集是否有足够的代表性
2.2数据预处理
2.2.1分类特征
2.2.2缺失数据处理
2.2.3简单特征工程
2.2.4数据规范化
2.3数据可视化
2.3.1马赛克图
2.3.2盒图
2.3.3密度图
2.3.4散点图
2.4总结
2.5本章术语
第3章建模和预测
3.1基础机器学习建模
3.1.1寻找输入和目标间的关系
3.1.2寻求好模型的目的
3.1.3建模方法类型
3.1.4有监督和无监督学习
3.2分类：把数据预测到桶中
3.2.1构建分类器并预测
3.2.2非线性数据与复杂分类
3.2.3多类别分类
3.3回归：预测数值型数据
3.3.1构建回归器并预测
3.3.2对复杂的非线性数据进行回归
3.4总结
3.5本章术语
第4章模型评估与优化
4.1模型泛化：评估新数据的预测准确性
4.1.1问题：过度拟合与乐观模型
4.1.2解决方案：交叉验证
4.1.3交叉验证的注意事项
4.2分类模型评估
4.2.1分类精度和混淆矩阵
4.2.2准确度权衡与ROC曲线
4.2.3多类别分类
4.3回归模型评估
4.3.1使用简单回归性能指标
4.3.2检验残差
4.4参数调整优化模型
4.4.1机器学习算法和它们的调整参数
4.4.2网格搜索
4.5总结
4.6本章术语
第5章基础特征工程
5.1动机：为什么特征工程很有用
5.1.1什么是特征工程
5.1.2使用特征工程的5个原因
5.1.3特征工程与领域专业知识
5.2基本特征工程过程
5.2.1实例：事件推荐
5.2.2处理日期和时间特征
5.2.3处理简单文本特征
5.3特征选择
5.3.1前向选择和反向消除
5.3.2数据探索的特征选择
5.3.3实用特征选择实例
5.4总结
5.5本章术语
第2部分实 际 应 用
第6章案例：NYC出租车数据
6.1数据：NYC出租车旅程和收费信息
6.1.1数据可视化
6.1.2定义问题并准备数据
6.2建模
6.2.1基本线性模型
6.2.2非线性分类器
6.2.3包含分类特征
6.2.4包含日期-时间特征
6.2.5模型的启示
6.3总结
6.4本章术语
第7章高级特征工程
7.1高级文本特征
7.1.1词袋模型
7.1.2主题建模
7.1.3内容拓展
7.2图像特征
7.2.1简单图像特征
7.2.2提取物体和形状
7.3时间序列特征
7.3.1时间序列数据的类型
7.3.2时间序列数据的预测
7.3.3经典时间序列特征
7.3.4事件流的特征工程
7.4总结
7.5本章术语
第8章NLP高级案例：电影评论情感预测
8.1研究数据和应用场景
8.1.1数据集初探
8.1.2检查数据
8.1.3应用场景有哪些
8.2提取基本NLP特征并构建初始模型
8.2.1词袋特征
8.2.2用朴素贝叶斯算法构建模型
8.2.3tf-idf算法规范词袋特征
8.2.4优化模型参数
8.3高级算法和模型部署的考虑
8.3.1word2vec特征
8.3.2随机森林模型
8.4总结
8.5本章术语
第9章扩展机器学习流程
9.1扩展前需考虑的问题
9.1.1识别关键点
9.1.2选取训练数据子样本代替扩展性
9.1.3可扩展的数据管理系统
9.2机器学习建模流程扩展
9.3预测扩展
9.3.1预测容量扩展
9.3.2预测速度扩展
9.4总结
9.5本章术语
第10章案例：数字显示广告
10.1显示广告
10.2数字广告数据
10.3特征工程和建模策略
10.4数据大小和形状
10.5奇异值分解
10.6资源估计和优化
10.7建模
10.8K近邻算法
10.9随机森林算法
10.10其他实用考虑
10.11总结
10.12本章术语
10.13摘要和结论
附录常用机器学习算法
名词术语中英文对照
· · · · · · (收起)

用户评价

这本新近读到的数据科学入门读物，着实让我眼前一亮，尤其是在当前市面上充斥着大量理论冗长或实践脱节的教材的背景下。作者的叙事方式非常平易近人，仿佛一位经验丰富的工程师在和你并肩作战，而不是高高在上的教授在传授真理。书中对基础统计学和线性代数概念的阐释，没有采取那种堆砌公式的冷冰冰方式，而是巧妙地融入了大量的实际案例和直观的图示。例如，在讲解主成分分析（PCA）时，它没有直接抛出特征值和特征向量的复杂数学定义，而是通过一个关于客户购物习惯降维的例子，清晰地展示了“信息最大化”的内在逻辑。此外，作者在代码实现上的选择也体现了极高的实用主义精神，大量采用了目前业界最主流的Python库，并且对每一个关键步骤都附带了详尽的注释和性能考量，这对于初学者建立正确的编程习惯至关重要。这本书最成功之处，在于它成功搭建了一座连接“理论知识”与“工程落地”的坚实桥梁，让你在掌握原理的同时，也具备了立即动手解决实际问题的能力。我尤其欣赏其中关于模型解释性（Explainable AI, XAI）的章节，它没有回避模型黑箱的固有缺陷，反而提供了如SHAP值和LIME等前沿工具的详细操作指南，这在很多同类书籍中是缺失的深度。总而言之，这是一本能让你在快速迭代的AI领域中站稳脚跟的优秀读物。

老实说，我拿到这本书的时候是带着一丝怀疑的，因为书名听起来有些过于宏大，担心内容会流于泛泛。然而，阅读体验完全推翻了我的预判。这本书的叙事节奏感极强，读起来有一种酣畅淋漓的畅快感，节奏的把握如同优秀的小说情节推进。它的结构设计非常巧妙，似乎是围绕一个持续演进的项目展开的，每一章的知识点都是上章内容在更复杂场景下的应用和深化。特别是它对集成学习（Ensemble Methods）的讲解，简直是教科书级别的范例。作者不仅详细解释了Bagging和Boosting的基本原理，更将随机森林、梯度提升树（如XGBoost、LightGBM）的内部机制拆解得如同瑞士钟表的内部构造般清晰可见。更令人称赞的是，书中对不同集成算法在处理高维稀疏数据和稠密数据时的性能差异进行了详尽的对比实验，并附带了基准测试结果。这种超越理论讲解，直击性能瓶颈的实践指导，极大地拓宽了我的技术视野。它让我明白了，选择正确的算法比盲目地调参更加重要，而选择算法的关键，恰恰藏在这些对底层机制的深刻理解之中。这本书真正做到了“授人以渔”，而非仅仅“授人以鱼”。

这本书给我的最大感受是其对“计算效率”的极致追求。在如今大数据背景下，如何高效地训练大型模型，是绕不开的难题。本书在算法介绍之余，大量穿插了关于优化计算资源利用率的技巧。比如，在介绍深度学习模型时，作者没有沉溺于最新的网络架构，而是将重点放在了如何利用GPU并行计算的特性、如何选择合适的数据加载器（DataLoader）以避免CPU瓶颈，以及如何进行模型剪枝和量化以减小模型体积和推理延迟。我特别留意了书中关于使用高效内存布局（如NumPy的C-order与Fortran-order）对迭代速度影响的分析，这个细节极其微小，但对于处理TB级数据集时的速度提升是立竿见影的。它教会了我，真正的“实用”不仅在于模型的结果如何，更在于这个结果是如何在有限的计算资源下，以最快速度被可靠地得出的。这本书的价值在于，它将“性能优化”视为与模型准确性同等重要的核心指标，为那些在时间和预算受限的环境下工作的工程师提供了宝贵的经验总结。读完后，我立刻回去优化了手头的几个训练脚本，效果立竿见影，这本身就是对这本书最直接的肯定。

翻开这本书，一股扑面而来的严谨气息和对细节的执着立刻抓住了我。与那些追求“快速成功”的速成手册不同，作者似乎更专注于打磨那些看似微不足道却决定成败的关键环节。我花了大量时间研究了书中关于数据预处理和特征工程的部分，这部分内容的深度和广度远超我的预期。书中对缺失值处理的探讨，远不止于简单的均值或中位数填充，而是深入分析了不同类型缺失机制（MCAR, MAR, MNAR）对模型偏差的影响，并提供了基于多重插补（Multiple Imputation）的复杂策略演示。再看模型评估这一章，作者没有停留在准确率（Accuracy）的表面，而是细致地剖析了在类别不平衡场景下，如何科学地运用PR曲线（Precision-Recall Curve）和F1分数，并给出了调整分类阈值以平衡召回率和精确率的实际操作脚本。这种对“准确性背后的哲学”的探讨，体现了作者深厚的学术功底和工程经验的完美融合。阅读过程中，我时常需要放慢脚步，反复揣摩那些关于偏差-方差权衡的论述，它迫使我从一个更高的维度去审视自己过去随意搭建模型的习惯。对于那些已经有一定基础，但希望将自己的机器学习实践提升到“工业级”水准的读者来说，这本书无疑是一剂强效的“清醒剂”和升级手册。

如果用一个词来形容这本书的风格，我会选择“务实到近乎苛刻”。它似乎无时无刻不在提醒你，现实世界的数据是多么的混乱和不可预测。书中有一个章节专门讨论了“模型部署与监控”的挑战，这部分内容在很多机器学习书籍中往往是一笔带过，但在本书中却占据了相当的篇幅。作者细致地描述了从训练模型到将其封装为API服务所需考虑的诸多工程细节，包括但不限于容器化（Docker）、版本控制策略，以及最重要的——模型漂移（Model Drift）的检测与重训练流程。这部分内容对于那些试图将数据科学成果转化为实际业务价值的团队来说，简直是无价之宝。它清晰地指出了一个常见的陷阱：一个在测试集上表现完美的模型，在真实环境中可能因为数据分布的细微变化而迅速失效。作者提供了一套完整的、基于时间序列分析的监控仪表盘设计思路，帮助读者建立起对生产环境中模型的“免疫系统”。这本书的价值，已经超越了一本技术参考书的范畴，它更像是一份成熟数据科学家的“操作手册”和“风险规避指南”。

入门的话很适合

应该叫机器学习概念及案例介绍

应该叫机器学习概念及案例介绍

入门的话很适合

入门的话很适合