第1章 阿裏雲機器學習 1
1.1 産品特點 1
1.2 名詞解釋 2
1.3 構建機器學習實驗 3
1.3.1 新建實驗 3
1.3.2 使用組件搭建工作流 4
1.3.3 運行實驗、查看結果 5
1.3.4 模型部署、在綫預測 6
第2章 商傢作弊行為檢測 7
2.1 數據探索 8
2.2 建模、預測和評估 15
2.3 嘗試其他分類模型 19
2.4 判斷商傢作弊 24
第3章 生存預測 27
3.1 數據集一 27
3.1.1 特徵分析 28
3.1.2 生存預測 33
3.2 數據集二 36
3.2.1 隨機森林模型 39
3.2.2 樸素貝葉斯模型 47
第4章 信用風險預測 50
4.1 整體流程 53
4.1.1 特徵啞元化 54
4.1.2 特徵重要性 57
4.2 模型效果評估 61
4.3 減少模型特徵的個數 62
第5章 用戶購買行為預測 65
5.1 數據探索 66
5.2 思路 68
5.2.1 用戶和品牌的各種特徵 69
5.2.2 二分類模型訓練 71
5.3 計算訓練數據集 71
5.3.1 原始數據劃分 72
5.3.2 計算特徵 74
5.3.3 計算標簽 89
5.4 二分類模型訓練 90
5.4.1 正負樣本配比 90
5.4.2 邏輯迴歸算法 92
5.4.3 隨機森林算法 94
第6章 聚類與分類 96
6.1 數據可視化 97
6.2 K-Means聚類 98
6.2.1 聚類、評估流程 100
6.2.2 聚成兩類 101
6.2.3 聚成三類 103
6.3 K最近鄰算法 104
6.3.1 使用KNN算法進行分類 105
6.3.2 算法比較 108
6.4 多分類模型 109
6.4.1 使用樸素貝葉斯算法 109
6.4.2 使用邏輯迴歸多分類算法 112
6.4.3 使用隨機森林算法 115
6.4.4 各多分類模型效果對比 118
第7章 葡萄酒品質預測 119
7.1 數據探索 120
7.2 綫性迴歸 123
7.3 GBDT迴歸 125
第8章 文本分析 127
8.1 分詞 128
8.2 詞頻統計 130
8.3 單詞的區分度 131
8.4 字符串比較 133
8.5 抽取關鍵詞、關鍵句 139
8.5.1 原理簡介 139
8.5.2 完整流程 141
8.6 主題模型 146
8.6.1 LDA模型 147
8.6.2 新聞的主題模型 149
8.6.3 數據預處理 150
8.6.4 主題與原始分類的關係 153
8.7 單詞映射為嚮量 160
8.7.1 相近單詞 162
8.7.2 單詞聚類 165
8.8 組件使用小結 168
第9章 基於用戶退貨描述的賠付預測 170
9.1 思路 171
9.2 訓練集的特徵生成 173
9.3 測試集的特徵生成 180
9.4 模型訓練、預測、評估 181
9.5 提高召迴率 185
第10章 情感分析 189
10.1 詞袋模型 190
10.1.1 訓練集的特徵生成 192
10.1.2 測試集的特徵生成 196
10.1.3 模型訓練、預測、評估 197
10.2 詞嚮量模型 200
10.2.1 特徵生成 201
10.2.2 模型訓練 206
第11章 影片推薦 211
11.1 協同過濾 212
11.2 整體流程 213
11.3 預處理，過濾齣好評信息 215
11.4 計算影片間的相似度 215
11.5 計算用戶可能喜歡的影片 221
11.6 查看推薦效果 224
第12章 支持深度學習框架 227
12.1 TensorFlow組件簡介 227
12.2 Softmax模型 231
12.3 深度神經網絡 234
附錄A 237
· · · · · · (收起)