香蕉精品视频,亚洲精品无码va人在线观看,免费黄色网站无遮挡在线观看视频

《Python機器學(xué)習(xí)項目實戰(zhàn)》引領(lǐng)大家在構(gòu)建實際項目的過程中，掌握關(guān)鍵的機器學(xué)習(xí)概念!使用機器學(xué)習(xí)，我們可完成客戶行為分析、價格趨勢預(yù)測、風(fēng)險評估等任務(wù)。要想掌握機器學(xué)習(xí)，需要有優(yōu)質(zhì)的范例、清晰的講解和大量的練習(xí)。本書完全滿足這三點! 本書展示了現(xiàn)實、實用的機器學(xué)習(xí)場景，并全面、清晰地介紹了機器學(xué)習(xí)的關(guān)鍵概念。在學(xué)習(xí)本書的過程中，讀者將會完成一些引人入勝的項目，比如使用線性回歸預(yù)測汽車價格，部署客戶流失預(yù)測服務(wù)等。讀者將**算法，學(xué)習(xí)在無服務(wù)器系統(tǒng)上部署機器學(xué)習(xí)應(yīng)用，以及使用Kubernetes和Kubeflow服務(wù)模型等重要技術(shù)。大家埋頭苦學(xué)，親自動手，享受掌握機器學(xué)習(xí)技能的樂趣! 主要內(nèi)容 ●收集和清理訓(xùn)練模型的數(shù)據(jù) ●使用流行的Python工具，包括NumPy、Scikit-Learn和TensorFlow ●將機器學(xué)習(xí)模型部署到生產(chǎn)環(huán)境中閱讀門檻讀者需要有Python編程技能，不需要具備機器學(xué)習(xí)知識。

本書讀者對象
本書是為能夠編程并能快速掌握Python基本知識的人編寫的。讀者不需要有任何機器學(xué)習(xí)的經(jīng)驗。理想讀者是愿意從事機器學(xué)習(xí)工作的軟件工程師。然而，需要為學(xué)習(xí)和業(yè)余項目編寫代碼的積極向上的大學(xué)生閱讀本書后同樣會受益匪淺。
此外，那些已經(jīng)在使用機器學(xué)習(xí)但想了解更多的人也會發(fā)現(xiàn)本書很有幫助。許多已經(jīng)擔(dān)任數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師的人都表示，本書對他們很有幫助，特別是關(guān)于部署的章節(jié)。
本書組織結(jié)構(gòu)
本書一共包含9章內(nèi)容，共研究了4個不同的項目。
● 第1章討論傳統(tǒng)軟件工程與機器學(xué)習(xí)的區(qū)別；介紹組織機器學(xué)習(xí)項目的過程，涵蓋從最初了解業(yè)務(wù)需求到最后部署模型的步驟；還詳細地介紹過程中的建模步驟并討論應(yīng)該如何評估模型和選擇最好的模型。為說明該章中的概念，運用了垃圾郵件檢測案例。
● 第2章給出第一個項目預(yù)測一輛汽車的價格。我們將學(xué)習(xí)如何對其使用線性回歸。首先準(zhǔn)備一個數(shù)據(jù)集并做一些數(shù)據(jù)清理。接下來，進行探索性數(shù)據(jù)分析，以更好地理解數(shù)據(jù)。然后用NumPy建立一個線性回歸模型，以了解機器學(xué)習(xí)模型內(nèi)部運轉(zhuǎn)機制。最后討論正則化和模型質(zhì)量評估等話題。
● 第3章解決客戶流失預(yù)測問題。該章假設(shè)我們在一家電信公司工作，想要確定哪些客戶可能很快停止使用我們的服務(wù)。這是一個用邏輯回歸來解決的分類問題。我們從特征重要性分析入手，了解哪些因素對這個問題最為重要。然后討論作為處理分類變量(性別、合同類型等因素)方式的獨熱編碼。最后，用Scikit-Learn訓(xùn)練一個邏輯回歸模型，以了解哪些客戶即將流失。
● 第4章采用第3章建立的模型并對其性能進行評估。該章涵蓋最重要的分類評估指標(biāo)：準(zhǔn)確度、查準(zhǔn)率和查全率。我們討論了混淆矩陣，然后具體講述ROC分析和AUC計算。該章最后討論K折交叉驗證。
● 第5章將客戶流失預(yù)測模型作為一個Web服務(wù)進行部署。這是整個過程中的一個重要步驟，因為如果不使模型變得可用，那么它對任何人都沒有用處。首先介紹用于創(chuàng)建Web服務(wù)的Python框架Flask。然后用Pipenv和Docker進行依賴項管理并在AWS上完成服務(wù)的部署。
● 第6章介紹一個關(guān)于風(fēng)險評分的項目。我們想了解銀行的客戶是否會有還貸問題。為此，我們學(xué)習(xí)決策樹的工作原理并用Scikit-learn訓(xùn)練一個簡單的模型。然后，轉(zhuǎn)向更復(fù)雜的基于樹的模型，如隨機森林和梯度提升。
● 第7章構(gòu)建一個圖像分類項目。我們將訓(xùn)練一個模型，將服裝圖像分為T恤、衣服、褲子等10個類別。我們使用TensorFlow和Keras來訓(xùn)練模型，此外介紹遷移學(xué)習(xí)的內(nèi)容，因為它能夠用相對較小的數(shù)據(jù)集訓(xùn)練模型。
● 第8章采用第7章中訓(xùn)練的服裝分類模型，并且用TensorFlow Lite和AWS Lambda進行部署。
● 第9章部署服裝分類模型，但在第一部分使用Kubernetes和TensorFlow Serving，在第二部分使用Kubeflow和Kubeflow Serving。
為幫助你更好地閱讀本書以及了解Python和它的庫，我們提供了5個附錄。
● 附錄A介紹如何設(shè)置針對本書的環(huán)境，展示如何安裝Anaconda和Python、如何運行Jupyter Notebook、如何安裝Docker以及如何創(chuàng)建AWS賬戶。
● 附錄B介紹Python的基礎(chǔ)知識。
● 附錄C涵蓋NumPy的基本知識，并且簡要介紹機器學(xué)習(xí)所需的最重要的線性代數(shù)概念：矩陣乘法和矩陣求逆。
● 附錄D介紹Pandas。
● 附錄E解釋如何在AWS SageMaker上獲得帶有GPU的Jupyter Notebook。
這些附錄是選讀的，但它們都很有幫助，尤其是若你之前沒使用過Python或AWS。
你不必從頭至尾地閱讀本書。為幫助你導(dǎo)航，可以使用下列指南。

其中第2、3章的內(nèi)容最重要，其余章節(jié)的內(nèi)容都基于這兩章。閱讀完第2、3章的內(nèi)容后，可以跳到第5章學(xué)習(xí)模型部署、到第6章學(xué)習(xí)基于樹的模型或者到第7章學(xué)習(xí)圖像分類。第4章講解的評估指標(biāo)基于第3章的內(nèi)容：評估第3章的客戶流失預(yù)測模型的質(zhì)量。第8、9章將部署圖像分類模型，因此在此之前先閱讀第7章是很有幫助的。
每一章幾乎都包括練習(xí)。做這些練習(xí)很重要，它們會幫助你更好地記住相關(guān)內(nèi)容。

第1章機器學(xué)習(xí)簡介 1
1.1 機器學(xué)習(xí) 1
1.1.1 機器學(xué)習(xí)與基于規(guī)則的方法 3
1.1.2 當(dāng)機器學(xué)習(xí)不起作用時 6
1.1.3 監(jiān)督機器學(xué)習(xí) 6
1.2 機器學(xué)習(xí)過程 7
1.2.1 問題理解 8
1.2.2 數(shù)據(jù)理解 9
1.2.3 數(shù)據(jù)準(zhǔn)備 9
1.2.4 建模 9
1.2.5 評估 9
1.2.6 部署 10
1.2.7 迭代 10
1.3 建模和模型驗證 10
1.4 本章小結(jié) 14
第2章用于回歸的機器學(xué)習(xí) 15
2.1 汽車價格預(yù)測項目 15
2.2 探索性數(shù)據(jù)分析 17
2.2.1 探索性數(shù)據(jù)分析工具箱 17
2.2.2 讀取和準(zhǔn)備數(shù)據(jù) 19
2.2.3 目標(biāo)變量分析 21
2.2.4 檢查缺失值 23
2.2.5 驗證框架 24
2.3 機器學(xué)習(xí)之回歸 27
2.3.1 線性回歸 27
2.3.2 訓(xùn)練線性回歸模型 33
2.4 預(yù)測價格 35
2.4.1 基本解決方案 35
2.4.2 RMSE：評估模型質(zhì)量 37
2.4.3 驗證模型 40
2.4.4 簡單的特征工程 41
2.4.5 處理分類變量 43
2.4.6 正則化 47
2.4.7 使用模型 50
2.5 后續(xù)步驟 51
2.5.1 練習(xí) 51
2.5.2 其他項目 52
2.6 本章小結(jié) 52
2.7 習(xí)題答案 53
第3章用于分類的機器學(xué)習(xí) 55
3.1 客戶流失預(yù)測項目 55
3.1.1 電信客戶流失數(shù)據(jù)集 56
3.1.2 初始數(shù)據(jù)準(zhǔn)備 56
3.1.3 探索性數(shù)據(jù)分析 63
3.1.4 特征重要性 66
3.2 特征工程 73
3.3 機器學(xué)習(xí)之分類 76
3.3.1 邏輯回歸 76
3.3.2 訓(xùn)練邏輯回歸 79
3.3.3 模型解釋 82
3.3.4 使用模型 88
3.4 后續(xù)步驟 90
3.4.1 練習(xí) 90
3.4.2 其他項目 90
3.5 本章小結(jié) 90
3.6 習(xí)題答案 91
第4章分類的評估指標(biāo) 93
4.1 評估指標(biāo) 93
4.1.1 分類準(zhǔn)確度 94
4.1.2 虛擬基線 96
4.2 混淆矩陣 97
4.2.1 混淆矩陣介紹 97
4.2.2 用NumPy計算混淆矩陣 99
4.2.3 查準(zhǔn)率和查全率 103
4.3 ROC曲線和AUC分數(shù) 105
4.3.1 真正例率和假正例率 106
4.3.2 在多個閾值下評估模型 107
4.3.3 隨機基線模型 109
4.3.4 理想模型 111
4.3.5 ROC曲線 114
4.3.6 AUC 118
4.4 參數(shù)調(diào)優(yōu) 120
4.4.1 K折交叉驗證 120
4.4.2 尋找最佳參數(shù) 122
4.5 后續(xù)步驟 124
4.5.1 練習(xí) 124
4.5.2 其他項目 125
4.6 本章小結(jié) 125
4.7 習(xí)題答案 126
第5章部署機器學(xué)習(xí)模型 127
5.1 客戶流失預(yù)測模型 127
5.1.1 使用模型 127
5.1.2 使用Pickle保存和加載模型 129
5.2 模型服務(wù)化 132
5.2.1 Web服務(wù) 132
5.2.2 Flask 133
5.2.3 使用Flask將流失模型服務(wù)化 135
5.3 管理依賴項 137
5.3.1 Pipenv 137
5.3.2 Docker 141
5.4 部署 144
5.5 后續(xù)步驟 148
5.5.1 練習(xí) 148
5.5.2 其他項目 148
5.6 本章小結(jié) 148
第6章決策樹與集成學(xué)習(xí) 149
6.1 信用風(fēng)險評分項目 149
6.1.1 信用評分數(shù)據(jù)集 150
6.1.2 數(shù)據(jù)清理 150
6.1.3 準(zhǔn)備數(shù)據(jù)集 155
6.2 決策樹 157
6.2.1 決策樹分類器 158
6.2.2 決策樹學(xué)習(xí)算法 160
6.2.3 決策樹的參數(shù)調(diào)優(yōu) 166
6.3 隨機森林 168
6.3.1 訓(xùn)練隨機森林 170
6.3.2 隨機森林的參數(shù)調(diào)優(yōu) 171
6.4 梯度提升 174
6.4.1 XGBoost：極限梯度提升 175
6.4.2 模型性能監(jiān)控 176
6.4.3 XGBoost的參數(shù)調(diào)優(yōu) 178
6.4.4 測試最終模型 183
6.5 后續(xù)步驟 184
6.5.1 練習(xí) 184
6.5.2 其他項目 185
6.6 本章小結(jié) 185
6.7 習(xí)題答案 185
第7章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 187
7.1 服裝分類 187
7.1.1 GPU與CPU 188
7.1.2 下載服裝數(shù)據(jù)集 188
7.1.3 TensorFlow和Keras 190
7.1.4 加載圖像 191
7.2 卷積神經(jīng)網(wǎng)絡(luò) 192
7.2.1 使用預(yù)訓(xùn)練模型 192
7.2.2 獲得預(yù)測 195
7.3 模型的內(nèi)部結(jié)構(gòu) 195
7.3.1 卷積層 196
7.3.2 致密層 198
7.4 訓(xùn)練模型 201
7.4.1 遷移學(xué)習(xí) 201
7.4.2 加載數(shù)據(jù) 201
7.4.3 創(chuàng)建模型 202
7.4.4 訓(xùn)練模型 205
7.4.5 調(diào)整學(xué)習(xí)速率 207
7.4.6 保存模型和設(shè)置檢查點 210
7.4.7 添加更多的層 211
7.4.8 正則化和dropout 213
7.4.9 數(shù)據(jù)增強 216
7.4.10 訓(xùn)練更大的模型 220
7.5 使用模型 221
7.5.1 加載模型 221
7.5.2 評估模型 222
7.5.3 獲得預(yù)測 223
7.6 后續(xù)步驟 224
7.6.1 練習(xí) 225
7.6.2 其他項目 225
7.7 本章小結(jié) 225
7.8 習(xí)題答案 226
第8章無服務(wù)器深度學(xué)習(xí) 227
8.1 AWS Lambda 227
8.1.1 TensorFlow Lite 228
8.1.2 將模型轉(zhuǎn)換為TF Lite格式 229
8.1.3 準(zhǔn)備圖像 229
8.1.4 使用TensorFlow Lite模型 231
8.1.5 lambda函數(shù)的代碼 232
8.1.6 準(zhǔn)備Docker鏡像 234
8.1.7 將鏡像推送到AWS ECR 235
8.1.8 創(chuàng)建lambda函數(shù) 236
8.1.9 創(chuàng)建API Gateway 239
8.2 后續(xù)步驟 243
8.2.1 練習(xí) 243
8.2.2 其他項目 244
8.3 本章小結(jié) 244
第9章使用Kubernetes和Kubeflow
將模型服務(wù)化 245
9.1 Kubernetes和Kubeflow 245
9.2 使用TensorFlow Serving來
服務(wù)模型 246
9.2.1 服務(wù)架構(gòu)概述 246
9.2.2 saved_model格式 247
9.2.3 本地運行TensorFlow Serving 248
9.2.4 從Jupyter調(diào)用TF Serving
模型 249
9.2.5 創(chuàng)建Gateway服務(wù) 252
9.3 使用Kubernetes部署模型 255
9.3.1 Kubernetes簡介 255
9.3.2 在AWS上創(chuàng)建Kubernetes
集群 256
9.3.3 準(zhǔn)備Docker鏡像 258
9.3.4 部署到 Kubernetes 260
9.3.5 測試服務(wù) 265
9.4 使用Kubeflow部署模型 266
9.4.1 準(zhǔn)備模型：上傳到S3 267
9.4.2 使用KFServing部署TensorFlow
模型 267
9.4.3 訪問模型 268
9.4.4 KFServing轉(zhuǎn)換器 270
9.4.5 測試轉(zhuǎn)換器 271
9.4.6 刪除EKS集群 272
9.5 后續(xù)步驟 272
9.5.1 練習(xí) 272
9.5.2 其他項目 273
9.6 本章小結(jié) 273
附錄A 環(huán)境準(zhǔn)備 275
附錄B Python簡介 301
附錄C Numpy簡介 315
附錄D Pandas簡介 339
附錄E AWS SageMaker 359

你還可能感興趣

我要評論