大數據與機器學習經典案例-微課視頻版

董相志、張志旺、田生文、曲海平

已絕版

  • 大數據與機器學習經典案例-微課視頻版-preview-1
  • 大數據與機器學習經典案例-微課視頻版-preview-2
  • 大數據與機器學習經典案例-微課視頻版-preview-3
大數據與機器學習經典案例-微課視頻版-preview-1

相關主題

商品描述

精心選取十個大數據與機器學習的實戰案例,採用迭代遞進模式,邊理論邊實踐,深入淺出,讓讀者在工程實踐中熏陶成長,在復雜系統設計中淬煉過硬本領。十個案例全部採用國際著名機構發布的真實數據,研究領域涉及生物信息、圖像處理、商業零售、銀行金融、自然語言處理等。每個案例採用的數據集規模相對較大,鮮明體現了機器學習在大規模數據挖掘處理方面獨領風騷。

作者簡介

董相志,理學碩士,魯東大學信息與電氣工程學院副教授,主講《網絡編程》、《Android程序設計》、《機器學習》、《深度學習》、《人工智能》、《大數據與人工智能》、 《Python程序設計》、《Web前端設計》、《Web後端設計》等課程。
近年來第一作者出版教材三部,參加省部級課題二項,獲山東省軟科學一等獎一項,獲山東省教學成果二等獎一項。主要教學研究方向為大數據與人工智能、網絡編程等。

目錄大綱

目錄

第1章房價預測與回歸問題
1.1數據集
1.2訓練集觀察
1.3列變量觀察
1.4相關矩陣
1.5缺失數據
1.6離群值
1.7正態分佈
1.8同方差與異方差
1.9線性回歸假設
1.10參數估計
1.11決定係數
1.12特徵工程
1.13數據集劃分與標準化
1.14線性回歸模型
1.15嶺回歸模型
1.16Lasso回歸模型
1.17ElasticNet回歸模型
1.18XGBoost回歸模型
1.19Voting回歸模型
1.20Stacking回歸模型
1.21模型比較
小結
習題

第2章人體蛋白圖譜與卷積神經網絡
2.1數據集
2.2訓練集觀察
2.3標籤向量化
2.4均衡性檢查
2.5構建新訓練集
2.6卷積運算
2.7邊緣擴充
2.8卷積步長
2.9三維卷積
2.10定義卷積層
2.11簡單卷積神經網絡
2.12定義池化層
2.13經典結構LeNet5
2.14卷積網絡結構剖析
2.15為什麼使用卷積
2.16數據集劃分
2.17圖像的特徵表示
2.18蛋白圖像的特徵矩陣
2.19數據標準化
2.20模型定義
2.21模型訓練
2.22模型評估
2.23模型預測
小結
習題

第3章細胞圖像與深度卷積
3.1數據集
3.2數據採集
3.3數據集觀察
3.4數據分佈
3.5篩選數據集
3.6神經網絡
3.7符號化表示
3.8激勵函數
3.9損失函數
3.10梯度下降
3.11正向傳播
3.12反向傳播
3.13偏差與方差
3.14正則化
3.15MiniBatch梯度下降
3.16優化算法
3.17參數與超參數
3.18Softmax回歸
3.19VGG16卷積網絡
3.20ResNet卷積網絡
3.211×1卷積
3.22Inception卷積網絡
3.23合成細胞彩色圖像
3.24數據集劃分
3.25製作HDF5數據集
3.26遷移學習與特徵提取
3.27基於VGG16的遷移學習
3.28訓練ResNet50模型
3.29ResNet50模型預測
小結
習題

第4章自動駕駛與YOLO算法
4.1認識自動駕駛
4.2數據集
4.3數據集觀察
4.4變量觀察
4.5場景觀察
4.6場景動畫
4.7目標檢測
4.8特徵點檢測
4.9滑動窗口實現目標檢測
4.10卷積方法實現滑動窗口
4.11初識YOLO算法
4.12交並比
4.13非極大值抑制
4.14Anchor Boxes
4.15YOLO技術演進
4.16用OpenCV顯示圖像
4.17用OpenCV播放視頻
4.18用GoogLeNet對圖像分類
4.19用GoogLeNet對視頻逐幀分類
4.20YOLO v3預訓練模型
4.21YOLO v3對圖像做目標檢測
4.22YOLO v3對視頻做目標檢測
4.23YOLO v3對駕駛場景做目標檢測
小結
習題

第5章AlphaFold與蛋白質結構預測
5.1什麼是AlphaFold
5.2肽鍵、多肽與肽鏈
5.3蛋白質的四級結構
5.4數據集
5.5篩選蛋白質序列
5.6計算殘基之間的距離
5.7二面角與拉氏構象圖
5.8計算二面角Phi(Φ)和Psi(Ψ)
5.9裁剪殘基序列的OneHot矩陣
5.10裁剪評分矩陣和二面角標籤
5.11定義二面角預測模型
5.12二面角模型參數設定與訓練
5.13二面角模型預測與評價
5.14定義距離預測模型
5.15構建殘基序列3D特徵矩陣
5.16構建3D評分矩陣
5.17定義距離標籤的3D矩陣
5.18距離模型參數設定與訓練
5.19距離模型預測與評價
小結
習題

第6章機器問答與BERT模型
6.1Google開放域數據集
6.2序列模型與RNN
6.3詞向量
6.4注意力機制
6.5Transformer模型
6.6BERT模型
6.7數據集分析
6.8F1分數
6.9定義BERT模型和RoBERTa模型
6.10訓練BERT微調模型
6.11用BERT微調模型預測
小結
習題

第7章蘋果樹病蟲害識別與模型集成
7.1數據集
7.2葉片觀察
7.3RGB通道觀察
7.4葉片圖像分類觀察
7.5葉片類別分佈統計
7.6Canny邊緣檢測
7.7數據增強
7.8劃分數據集
7.9DenseNet模型定義
7.10DenseNet模型訓練
7.11DenseNet模型預測與評估
7.12EfficientNet模型定義
7.13EfficientNet模型訓練
7.14EfficientNet模型預測與評估
7.15EfficientNet Noisy Student模型
7.16EfficientDet模型
7.17模型集成
小結
習題

參考文獻