8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Meituan Machine Learning Practice/Meituan Technology Series

Цена: 1 369руб.    (¥64.78)
Артикул: 589773292365

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:智慧凤凰图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥15317руб.
¥37.62795руб.
¥11.56245руб.
¥19.25407руб.
  • Информация о товаре
  • Фотографии


Основная информация
Название продукта:Meituan Machine Learning Practice/Meituan Technology Seriesформат:16
Автор:Meituan Algorithm TeamКоличество страниц:
Цены:79Время публикации:2018-08-01
Номер ISBN:9787115484635Время печати:2018-08-01
Издательство:Народные сообщения и телекоммуникацииИздание:1
Типы продукта:книгиВремя печати:1
Об авторе:
Краткое содержание:

......

Оглавление:
Часть общего процесса
Глава 1. Моделирование проблем
1.1 Показатели оценки
1.1.1 Показатели классификации
1.1.2 Индикаторы регрессии
1.1.3 Сортировка показателей
1.2 Выбор образца
1.2.1 Шумоподавление данных
1.2.2 Отбор проб
1.2.3 Выбор прототипа и выбор обучающего набора
1.3 Перекрестная проверка
1.3.1 Метод отложения
1.3.2 K-кратная перекрестная проверка
1.3.3 Метод самопомощи
Рекомендации
Глава 2. Разработка функций
2.1 Извлечение признаков
2.1.1 Исследовательский анализ данных
2.1.2 Числовые характеристики
2.1.3 Особенности категорий
2.1.4 Временные характеристики
2.1.5 Пространственные характеристики
2.1.6 Текстовые функции
2.2 Выбор функции
2.2.1 Метод фильтрации
2.2.2 Способ упаковки
2.2.3 Метод встраивания
2.2.4 Резюме
2.2.5 Знакомство с инструментом
Рекомендации
Глава 3. Распространенные модели
3.1 Логистическая регрессия
3.1.1 Принцип логистической регрессии
3.1.2 Приложение логистической регрессии
3.2 Машина факторизации с учетом полевых условий
3.2.1 Принцип факторизационной машины
3.2.2 Принцип факторизационной машины с учетом поля
3.2.3 Применение факторизационной машины с учетом поля
3.3 Дерево повышения градиента
3.3.1 Принцип дерева повышения градиента
3.3.2 Применение дерева повышения градиента
Рекомендации
Глава 4 Объединение моделей
4.1 Теоретический анализ
4.1.1 Преимущества интеграции
4.1.2 Декомпозиция модели по ошибкам и дивергенциям
4.1.3 Измерение разнообразия моделей
4.1.4 Повышение разнообразия
4.2 Метод сварки
4.2.1 Средний метод

......

Цвет страница:
В приложениях машинного обучения разработка функций играет важную роль. Можно сказать, что разработка функций является основой приложений машинного обучения. В сообществе машинного обучения ходит поговорка:“Данные и функции определяют верхний предел алгоритмов машинного обучения, в то время как модели и алгоритмы продолжают приближаться к этому верхнему пределу.”В приложениях машинного обучения разработка функций находится где-то между“данные”и“модель”Помимо прочего, разработка функций — это процесс использования специализированных знаний о данных для создания функций, которые позволяют работать алгоритмам машинного обучения.У американского ученого-компьютерщика Питера Норвига есть два классических высказывания:“Простые модели, основанные на больших объемах данных, лучше, чем сложные модели, основанные на небольших объемах данных.”и“Больше данных лучше, чем умные алгоритмы, а хорошие данные лучше, чем слишком много данных.”Таким образом, предпосылка проектирования признаков состоит в том, чтобы собрать достаточно данных, а второй шаг — извлечь ключевую информацию из большого объема данных и выразить ее в форме, требуемой моделью.Соответствующие функции могут упростить прогнозирование моделей, а приложения машинного обучения, скорее всего, будут успешными.
    Глядя на соревнования всех размеров, такие как Kaggle и KDD, а также на отраслевые приложения, они на самом деле не используют очень сложные модели и алгоритмы. Большая часть успехов связана с выдающейся работой в области разработки функций.Нг Энда однажды сказал:“Разработка функций не только сложна и требует много времени, но также требует специальных знаний в предметной области.Прикладное машинное обучение — это, по сути, разработка функций.”Я верю, что большинство людей согласятся.В приложениях машинного обучения мы тратим большую часть времени на разработку функций и очистку данных, тогда как оптимизация алгоритмов и моделей занимает лишь небольшую часть.К сожалению, в настоящее время разработка признаков не упоминается в большинстве книг, и большинство введений в разработку признаков представляют собой методы выбора признаков.Это связано с тем, что хорошая разработка функций не только требует от нас глубокого понимания моделей и алгоритмов, но также требует глубоких профессиональных знаний в предметной области.Разработка функций связана не только с моделями, но и тесно связана с практическими проблемами.Для разных задач методы, используемые при проектировании признаков, могут сильно различаться, и трудно суммировать более общий метод.Тем не менее, существует множество особенностей инженерных методов, применимых к различным задачам.В этой главе мы представим общие методы и приемы разработки функций, а также часто используемые методы выбора функций.
    2.1 Извлечение признаков С математической точки зрения разработка признаков заключается в преобразовании исходного пространства данных в новое пространство признаков или изменении выражения данных. В новом пространстве признаков модель может хорошо изучить закономерности данных.Следовательно, извлечение признаков — это процесс преобразования исходных данных.Большинство моделей и алгоритмов требуют, чтобы входные данные были реальными векторами одинаковых размеров, поэтому при разработке функций сначала необходимо преобразовать исходные данные в реальные векторы.Существует множество типов необработанных данных, таких как числовые типы, дискретные типы, текст, изображения, видео и т. д. После преобразования исходных данных в реальные векторы соответствующее пространство признаков не обязательно является лучшим пространством признаков.Чтобы модель правильно изучила закономерности, скрытые в данных, нам может потребоваться дальнейшее преобразование функций.Процесс преобразования исходного пространства данных в пространство входных векторов модели — это то, что делает разработка функций.Фактически, если разработка функций достаточно сложна, даже простая модель может работать хорошо.Однако сложные модели в определенной степени сокращают работу, необходимую для разработки функций.
    Таким образом, разработка функций и модели противоречат друг другу.Например, для линейных моделей нам нужно выполнить горячее кодирование категориальных переменных и т. д.