第1章 阿里云机器学习 1
1.1 产品特点 1
1.2 名词解释 2
1.3 构建机器学习实验 3
1.3.1 新建实验 3
1.3.2 使用组件搭建工作流 4
1.3.3 运行实验、查看结果 5
1.3.4 模型部署、在线预测 6
第2章 商家作弊行为检测 7
2.1 数据探索 8
2.2 建模、预测和评估 15
2.3 尝试其他分类模型 19
2.4 判断商家作弊 24
第3章 生存预测 27
3.1 数据集一 27
3.1.1 特征分析 28
3.1.2 生存预测 33
3.2 数据集二 36
3.2.1 随机森林模型 39
3.2.2 朴素贝叶斯模型 47
第4章 信用风险预测 50
4.1 整体流程 53
4.1.1 特征哑元化 54
4.1.2 特征重要性 57
4.2 模型效果评估 61
4.3 减少模型特征的个数 62
第5章 用户购买行为预测 65
5.1 数据探索 66
5.2 思路 68
5.2.1 用户和品牌的各种特征 69
5.2.2 二分类模型训练 71
5.3 计算训练数据集 71
5.3.1 原始数据划分 72
5.3.2 计算特征 74
5.3.3 计算标签 89
5.4 二分类模型训练 90
5.4.1 正负样本配比 90
5.4.2 逻辑回归算法 92
5.4.3 随机森林算法 94
第6章 聚类与分类 96
6.1 数据可视化 97
6.2 K-Means聚类 98
6.2.1 聚类、评估流程 100
6.2.2 聚成两类 101
6.2.3 聚成三类 103
6.3 K最近邻算法 104
6.3.1 使用KNN算法进行分类 105
6.3.2 算法比较 108
6.4 多分类模型 109
6.4.1 使用朴素贝叶斯算法 109
6.4.2 使用逻辑回归多分类算法 112
6.4.3 使用随机森林算法 115
6.4.4 各多分类模型效果对比 118
第7章 葡萄酒品质预测 119
7.1 数据探索 120
7.2 线性回归 123
7.3 GBDT回归 125
第8章 文本分析 127
8.1 分词 128
8.2 词频统计 130
8.3 单词的区分度 131
8.4 字符串比较 133
8.5 抽取关键词、关键句 139
8.5.1 原理简介 139
8.5.2 完整流程 141
8.6 主题模型 146
8.6.1 LDA模型 147
8.6.2 新闻的主题模型 149
8.6.3 数据预处理 150
8.6.4 主题与原始分类的关系 153
8.7 单词映射为向量 160
8.7.1 相近单词 162
8.7.2 单词聚类 165
8.8 组件使用小结 168
第9章 基于用户退货描述的赔付预测 170
9.1 思路 171
9.2 训练集的特征生成 173
9.3 测试集的特征生成 180
9.4 模型训练、预测、评估 181
9.5 提高召回率 185
第10章 情感分析 189
10.1 词袋模型 190
10.1.1 训练集的特征生成 192
10.1.2 测试集的特征生成 196
10.1.3 模型训练、预测、评估 197
10.2 词向量模型 200
10.2.1 特征生成 201
10.2.2 模型训练 206
第11章 影片推荐 211
11.1 协同过滤 212
11.2 整体流程 213
11.3 预处理，过滤出好评信息 215
11.4 计算影片间的相似度 215
11.5 计算用户可能喜欢的影片 221
11.6 查看推荐效果 224
第12章 支持深度学习框架 227
12.1 TensorFlow组件简介 227
12.2 Softmax模型 231
12.3 深度神经网络 234
附录A 237
· · · · · · (收起)