机器学习实践：数据科学应用与工作流的开发及优化 mobi 网盘 高速 下载地址大全 免费

暂无相关简介，正在全力查找中！

译者序 序 前言 作者简介 第一部分　框架原则 第1章　数据科学家的定位 2 1.1　引言 2 1.2　数据科学家扮演的角色 2 1.2.1　公司规模 3 1.2.2　团队背景 3 1.2.3　职业晋升和发展 4 1.2.4　重要性 5 1.2.5　工作细分 5 1.3　结论 5 第2章　项目流程 7 2.1　引言 7 2.2　数据团队背景 7 2.2.1　专门岗位与资源池 8 2.2.2　研究分析 8 2.2.3　原型设计 9 2.2.4　集成的工作流 10 2.3　敏捷开发与产品定位 10 2.4　结论 15 第3章　量化误差 16 3.1　引言 16 3.2　量化测量值的误差 16 3.3　抽样误差 18 3.4　误差传递 20 3.5　结论 22 第4章　数据编码与预处理 23 4.1　引言 23 4.2　简单文本预处理 24 4.2.1　分词 24 4.2.2　n元模型 26 4.2.3　稀疏 26 4.2.4　特征选择 27 4.2.5　表示学习 29 4.3　信息量损失 31 4.4　结论 33 第5章　假设检验 34 5.1　引言 34 5.2　什么是假设 34 5.3　假设检验的错误类型 36 5.4　p值和置信区间 37 5.5　多重测试和p值操控 38 5.6　实例 39 5.7　假设检验的设计 40 5.8　结论 41 第6章　数据可视化 43 6.1　引言 43 6.2　数据分布和汇总统计 43 6.2.1　数据分布和直方图 44 6.2.2　散点图和热力图 48 6.2.3　箱线图和误差条 52 6.3　时间序列图 54 6.3.1　移动统计 54 6.3.2　自相关 56 6.4　图可视化 57 6.4.1　布局算法 57 6.4.2　时间复杂度 59 6.5　结论 60 第二部分　算法与架构 第7章　算法和架构简介 62 7.1　引言 62 7.2　架构 64 7.2.1　服务 64 7.2.2　数据源 65 7.2.3　分批及在线计算 66 7.2.4　规模扩展 66 7.3　模型 67 7.3.1　训练 68 7.3.2　预测 68 7.3.3　验证 69 7.4　结论 70 第8章　距离度量 71 8.1　引言 71 8.2　Jaccard距离 71 8.2.1　算法 72 8.2.2　时间复杂度 73 8.2.3　内存注意事项 73 8.2.4　分布式方法 73 8.3　MinHash 74 8.3.1　假设 75 8.3.2　时空复杂度 75 8.3.3　工具 75 8.3.4　分布式方法 75 8.4　余弦相似度 76 8.4.1　复杂度 78 8.4.2　内存注意事项 78 8.4.3　分布式方法 78 8.5　马氏距离 78 8.5.1　复杂度 79 8.5.2　内存注意事项 79 8.5.3　分布式方法 79 8.6　结论 80 第9章　回归 81 9.1　引言 81 9.1.1　选择模型 82 9.1.2　选择目标函数 82 9.1.3　模型拟合 83 9.1.4　模型验证 84 9.2　线性最小二乘 87 9.2.1　假设 88 9.2.2　复杂度 89 9.2.3　内存注意事项 89 9.2.4　工具 89 9.2.5　分布式方法 89 9.2.6　实例 90 9.3　线性回归中的非线性回归 97 9.4　随机森林 100 9.4.1　决策树 100 9.4.2　随机森林 103 9.5　结论 106 第10章　分类和聚类 107 10.1　引言 107 10.2　逻辑回归 108 10.2.1　假设 111 10.2.2　时间复杂度 111 10.2.3　内存注意事项 112 10.2.4　工具 112 10.3　贝叶斯推断与朴素贝叶斯 112 10.3.1　假设 114 10.3.2　复杂度 114 10.3.3　内存注意事项 114 10.3.4　工具 114 10.4　K-Means 115 10.4.1　假设 118 10.4.2　复杂度 118 10.4.3　内存注意事项 118 10.4.4　工具 118 10.5　最大特征值 118 10.5.1　复杂度 120 10.5.2　内存注意事项 120 10.5.3　工具 120 10.6　Louvain贪心算法 120 10.6.1　假设 121 10.6.2　复杂度 121 10.6.3　内存注意事项 121 10.6.4　工具 121 10.7　最近邻算法 121 10.7.1　假设 123 10.7.2　复杂度 123 10.7.3　内存注意事项 123 10.7.4　工具 123 10.8　结论 123 第11章　贝叶斯网络 125 11.1　引言 125 11.2　因果图、条件独立和马尔 可夫 126 11.2.1　因果图和条件独立 126 11.2.2　稳定性和依赖性 127 11.3　d分离和马尔可夫性质 128 11.3.1　马尔可夫和因式 分解 128 11.3.2　d分离 129 11.4　贝叶斯网络的因果图 132 11.5　模型拟合 133 11.6　结论 136 第12章　降维与隐变量模型 137 12.1　引言 137 12.2　先验 137 12.3　因子分析 139 12.4　主成分分析 140 12.4.1　复杂度 142 12.4.2　内存注意事项 142 12.4.3　工具 142 12.5　独立成分分析 142 12.5.1　假设 145 12.5.2　复杂度 145 12.5.3　内存注意事项 146 12.5.4　工具 146 12.6　LDA主题模型 146 12.7　结论 152 第13章　因果推断 153 13.1　引言 153 13.2　实验 154 13.3　观测值：一个实例 157 13.4　非因果阻断控制法 163 13.5　机器学习估计量 167 13.5.1　重新审视G公式 167 13.5.2　实例 168 13.6　结论 172 第14章　高级机器学习 173 14.1　引言 173 14.2　优化 173 14.3　神经网络 175 14.3.1　神经网络层 176 14.3.2　神经网络容量 177 14.3.3　过拟合 179 14.3.4　批拟合 183 14.3.5　损失函数 183 14.4　结论 185 第三部分　瓶颈和优化 第15章　硬件基础 188 15.1　引言 188 15.2　随机存取存储器 188 15.2.1　访问 188 15.2.2　易失性 189 15.3　非易失性/持久化存储 189 15.3.1　机械硬盘或“旋转磁盘” 189 15.3.2　固态硬盘 190 15.3.3　延迟 190 15.3.4　分页 190 15.3.5　颠簸 191 15.4　吞吐量 191 15.4.1　局部性 191 15.4.2　执行层局部性 191 15.4.3　网络局部性 192 15.5　处理器 192 15.5.1　时钟频率 192 15.5.2　核心 192 15.5.3　线程 193 15.5.4　分支预测 193 15.6　结论 194 第16章　软件基础 196 16.1　引言 196 16.2　分页 196 16.3　索引 197 16.4　粒度 197 16.5　鲁棒性 198 16.6　提取、传输/转换、加载 199 16.7　结论 199 第17章　软件架构 200 17.1　引言 200 17.2　客户端-服务器架构 200 17.3　n层架构/面向服务的架构 201 17.4　微服务架构 202 17.5　整体架构 203 17.6　实际案例（混合架构） 203 17.7　结论 204 第18章　CAP定理 205 18.1　引言 205 18.2　一致性/并发 205 18.3　可用性 207 18.3.1　冗余 207 18.3.2　前端和负载均衡器 207 18.3.3　客户端的负载均衡 209 18.3.4　数据层 209 18.3.5　任务和Taskworker 211 18.3.6　故障转移 211 18.4　分区容错性 211 18.5　结论 213 第19章　逻辑网络拓扑节点 214 19.1　引言 214 19.2　网络图 214 19.3　负载均衡 215 19.4　缓存 216 19.4.1　应用程序级缓存 216 19.4.2　缓存服务 217 19.4.3　直写缓存 218 19.5　数据库 219 19.5.1　主副本数据库 219 19.5.2　多主结构 220 19.5.3　A/B副本 220 19.6　队列 221 19.6.1　任务调度和并行任务 222 19.6.2　异步执行 223 19.6.3　API缓冲 223 19.7　结论 224 参考文献 225

暂无相关内容，正在全力查找中

暂无其它内容！

• 开发还好，优化有点简单了

  来源：豆瓣 发布时间：2025-05-08 23:31:55