人工智能人才培养系列 机器学习案例实战PDF|Epub|txt|kindle电子书版本网盘下载

人工智能人才培养系列 机器学习案例实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 常用机器学习平台1

1.1 常用机器学习工具1

1.2 TI-ONE平台概述3

1.3 PySpark介绍4

1.4 TI-ONE机器学习平台主要的组件5

1.4.1 数据源组件5

1.4.2 机器学习组件6

1.4.3 输出组件10

1.4.4 模型评估组件11

第2章 银行信用卡风险的可视化分析12

2.1 Tableau简介13

2.2 客户信用等级影响因素13

2.3 客户消费情况对信用等级的影响19

2.4 客户拖欠情况对信用等级的影响24

2.5 欺诈客户特征分析27

第3章 贷款违约行为预测31

3.1 建立信用评估模型的必要性31

3.2 数据准备与预处理32

3.2.1 原始数据集33

3.2.2 基础表数据预处理36

3.2.3 多表合并40

3.3 模型选择42

3.3.1 带正则项的Logistic回归模型42

3.3.2 朴素贝叶斯模型42

3.3.3 随机森林模型42

3.3.4 SVM模型43

3.4 TI-ONE整体流程43

3.4.1 登录TI-ONE44

3.4.2 输入工作流名称44

3.4.3 上传数据45

3.4.4 数据预处理46

3.4.5 拆分出验证集50

3.4.6 拆分出测试集51

3.4.7 模型训练和评估51

第4章 保险风险预测61

4.1 背景介绍61

4.2 数据预处理63

4.2.1 数据加载与预览63

4.2.2 缺失值处理64

4.2.3 属性值的合并与连接65

4.2.4 数据转换66

4.2.5 数据标准化和归一化67

4.3 多维分析67

4.4 基于神经网络模型预测保险风险70

4.5 使用SVM预测保险风险74

第5章 银行客户流失预测80

5.1 问题描述80

5.2 数据上传82

5.3 数据预处理83

5.3.1 非数值特征处理83

5.3.2 数据离散化处理83

5.3.3 数据筛选85

5.3.4 数据格式转化86

5.3.5 数据分割87

5.4 数据建模88

5.5 模型校验评估91

5.5.1 二分类算法评估91

5.5.2 ROC曲线绘制92

5.5.3 决策树参数优化94

5.5.4 k折交叉验证95

5.6 工作流的运行95

5.7 算法性能比较98

第6章 基于深度神经网络的股票预测100

6.1 股票趋势预测的背景和分析思路100

6.2 数据提取103

6.3 数据预处理103

6.3.1 数据归一化103

6.3.2 加窗处理104

6.3.3 分割数据集106

6.3.4 标签独热编码转化106

6.4 模型训练106

6.5 算法评估110

6.6 算法比较111

第7章 保险产品推荐119

7.1 保险产品推荐的流程120

7.2 数据提取121

7.2.1 上传原始文件121

7.2.2 读取训练集和检验集122

7.3 数据预处理124

7.3.1 去重和合并数据集124

7.3.2 缺失值处理125

7.3.3 特征选择126

7.3.4 类型变量独热编码127

7.3.5 数值变量规范化127

7.3.6 生成训练集和检验集128

7.4 构建保险预测模型129

7.5 模型评估131

第8章 零售商品销售预测133

8.1 问题分析133

8.2 数据探索135

8.2.1 上传原始数据135

8.2.2 数据质量评估136

8.3 数据预处理139

8.3.1 填补缺失值139

8.3.2 修正异常值140

8.3.3 衍生字段141

8.3.4 类型变量数值化和独热编码化142

8.3.5 数据导出143

8.4 建立销售量预测模型143

8.4.1 线性回归模型144

8.4.2 Ridge回归模型145

8.4.3 Lasso回归模型145

8.4.4 Elastic Net回归模型146

8.4.5 决策树回归模型146

8.4.6 梯度提升树回归模型147

8.4.7 随机森林回归模型148

8.5 模型评估148

第9章 汽车备件销售预测151

9.1 数据理解151

9.2 数据分析流程152

9.2.1 设置数据源152

9.2.2 数据预处理155

9.2.3 建模分析与评估158

9.3 聚类分析162

第10章 火力发电厂工业蒸汽量预测166

10.1 确定业务问题166

10.2 数据理解166

10.3 工业蒸汽量的预测建模过程167

10.3.1 设置数据源168

10.3.2 数据预处理168

10.3.3 建模分析与评估172

第11章 图片风格转化179

11.1 CycleGAN原理180

11.2 图片风格转化整体流程182

11.2.1 设置数据源183

11.2.2 数据预处理184

11.2.3 模型训练186

11.2.4 验证模型参数以及测试集193

11.2.5 模型测试——转化图片风格194

11.3 运行工作流195

11.4 算法比较198

11.4.1 CycleGAN与pix2pix模型198

11.4.2 CycleGAN与DistanceGAN模型198

11.5 使用TensorFlow实现图片风格转化199

第12章 人类活动识别206

12.1 问题分析206

12.2 数据探索207

12.3 数据预处理209

12.4 模型构建210

12.5 模型评估214

第13章 GRU算法在基于Session的推荐系统的应用221

13.1 问题分析221

13.2 数据探索与预处理222

13.2.1 数据变换223

13.2.2 数据过滤223

13.2.3 数据分割223

13.2.4 格式转换224

13.3 构建GRU模型225

13.3.1 GRU概述225

13.3.2 构建GRU推荐模型226

13.4 模型评估229

第14章 人脸老化预测233

14.1 问题分析与数据集简介233

14.2 图片编码与GAN设计234

14.3 模型实现235

14.4 实验分析236

第15章 出租车轨迹数据分析243

15.1 数据获取244

15.2 数据预处理246

15.3 数据分析252

15.3.1 出租车区域推荐以及交通管理建议252

15.3.2 城市规划建议257

第16章 城市声音分类261

16.1 数据准备与探索261

16.2 数据特征提取268

16.3 构建城市声音分类模型271

16.3.1 使用MLP训练声音分类模型271

16.3.2 使用LSTM与GRU网络训练声音分类模型273

16.3.3 使用CNN训练声音分类模型274

16.4 声音分类模型评估275

16.4.1 MLP网络性能评估275

16.4.2 LSTM与GRU网络性能评估276

16.4.3 CNN性能评估277

后记 数据分析技能培养279

参考文献282