描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 是国际标准书号ISBN: 9000302003199
《动手学图机器学习》并不是一本纯粹介绍图机器学习理论的著作，Alessandro Negro 博士作为科学家和 Reco4 公司的 CEO，长期维护图数据源的推荐系统。他结合机器学习工程和图机器学习方法，通过推荐引擎、欺诈检测和知识图谱等案例，讲述了图机器学习工程实战。他以源代码为示例，逐步讲述其实现过程，以及如何更有效地管理图数据、实施算法、存储预测模型和可视化结果。本书适合作为数据科学家和数据科学从业者以及企业工程师的参考书。
《动手学图机器学习》内容涉及图数据工程、图数据库存储、图机器学习技术、图机器学习结果可视化，涵盖了整个软件工程的生命周期。建议读者借鉴这种思维模式，将这种工程思维模式迁移到其他机器学习项目实战中。另外，本书很好地将图机器学习算法和应用案例相结合，以核心代码为例进行讲解，如果读者要思考机器学习理论如何解决实际项目问题，本书值得借鉴。在现实中，往往很难用前沿技术来解决实际问题，机器学习项目也很难落地，本书在这两个方面有很多值得借鉴的意义。此外，从本书中也可发现，单一的算法或模型很难解决实际问题，往往要使用混合模型或者将多个机器学习算法相结合形成混合机器学习算法，本书在这方面也值得借鉴，例如，近几年新兴的概率图模型、图深度学习、贝叶斯深度学习、深度强化学习等混合机器学习算法，可以将本书的经验迁移到实际的应用场景中。
目前，关于集成学习著作比较少，主要是周志华教授团队编写的EnsembleMethods Foundations and Algorithms。不过，该书的出版时间较早(2012年出版英文，2020年出版了中文译著)，未涉及近10年来集成学习的前沿理论和技术；另外该书主要偏向前沿理论，缺少算法实现和案例配套。
《集成学习实战》的引进可谓恰逢其时，填补了集成学习领域著作方面的不足。本书图文并茂地对深奥的集成学习理论和方法进行描述，并结合大量的案例和应用程序，引导读者边思考边实践，从而逐步加深对集成学习的理解，并将这些新方法、新理论和新思想用于自己的研究。本书梳理了集成学习近20年来的前沿理论和技术，主要从集成学习基础知识、集成方式和集成学习数据集制作、特征提取和可解释性三个方面进行了专题讨论，还讨论集成学习理论以及与概率机器学习和深度学习的结合策略。本书包含大量的图、案例以及Python代码实现，读者可以一边阅读一边动手实践。本书面向计算机、人工智能和大数据专业的高年级本科生和研究生，也面向对机器学习与集成学习感兴趣的研究人员和企业工程师。
在这本不可思议的书中，将深度学习与进化生物学结合起来，研究增强神经网络解决棘手的搜索、优化和控制问题的能力。通过实用且有趣的示例展示了来自自然界的古老经验如何推动数据科学的发展。
《进化深度学习》介绍了进化计算(EC)，并为你提供了一套实用的技术工具，你可以在整个深度学习过程中应用这些技术。本书提供了遗传算法和进化计算方法在网络拓扑、生成模型、强化学习等方面的应用。通过交互式的Colab notebook使你有机会在探索过程中进行实验。
在现代分布式系统上部署机器学习应用时，我们逐渐将关注焦点转向了可靠性、性能、安全性以及解决这些问题所带来的运维挑战。在这本深入指南中，Argo 和 Kubeflow 的项目负责人Yuan Tang分享了将机器学习模型从单机环境迁移到复杂的分布式集群中的模式、示例和所积累的宝贵经验。
识别关系是机器学习的基础。通过识别和分析数据中的关系，以图为核心的算法(如K-邻近或PageRank)显著提高了机器学习应用的效率。基于图的机器学习技术以全新方式为社交网络、欺诈检测、自然语言处理和推荐系统等领域的机器学习提供了强有力的支持。
《动手学图机器学习》是行业类的权威书籍，旨在倾授如何利用面向图的机器学习算法和工具，充分挖掘结构化和非结构化数据集中的自然关系，读者可以从中吸收图架构和图设计实践的精髓，并学会从容避开常见的陷阱。作者Alessandro Negro通过真实的应用示例，将GraphML(一种图建模语言)概念与实际任务完美联系起来，使读者能够更好地理解图技术在机器学习中的价值，并熟练应用该技术。
● 大数据平台中的图
● 推荐、自然语言处理、欺诈检测
● 图算法
● 与Neo4j图数据库协作
集成学习通过自动对比多个模型的输出，将输出结合起来，融合成强大的集成模型，得出最优结果。集成学习发挥“集体智慧”，结果更准确，克服了单一模型的局限性。这种创新方法能够综合多个视角的响应；即使在没有大规模数据集的情况下，也能给出可靠的预测结果。
《集成学习实战》呈现同时应用多种机器学习方法的实用技巧。每章都列举一个独特案例(如医学诊断、情感分析等)，展示一个功能完备的集成方法。本书不探讨深奥的数学知识，所讲内容浅显易懂，代码丰富，供你轻松进行实验！
主要内容
● Bagging法、提升法和梯度提升法
● 分类、回归和检索方法
● 集成方法的模型和决策可解释性
● 特征工程和集成多样性
主要内容
● 用进化计算解决复杂的设计和分析问题
● 调整深度学习超参数
● 将Q-Learning应用于深度学习，从而进行深度强化学习
● 优化无监督自编码器的损失函数和网络架构
● 创建一个能够参与OpenAI Gym游戏的进化智能体
《分布式机器学习模式》将详细介绍数十种设计和部署分布式机器学习系统的技术。你将使用各种模式解决如下问题：如何进行分布式模型训练、如何应对突发的系统故障，以及如何部署动态的模型服务。本书为每种模式都配备了实际的案例分析，以及基于 Kubernetes 实现分布式模型训练和弹性推理的完整项目。
主要内容
● 数据摄取、分布式训练、模型服务等概念
● 使用 Kubeflow 和 Argo 工作流在 Kubernetes 上实现 TensorFlow 的自动化部署
● 管理和监控大规模机器学习工作负载
“使用受生物学启发的优化方法，快速完成机器学习模型训练和超参数选择的工作。”
——Erik Sapper博士
加州理工大学-圣路易斯
奥比斯波分校
“使学习神经网络的进化实践变得容易。”
——Ninoslav ?erkez
Rimac技术
“数据科学优化！本书包括应用优化来改进人工智能、机器学习、深度学习等领域的精彩场景。我们生活在一个跨学科的时代！”
——Ricardo Di Pasquale
埃森哲咨询公司
★★★★★该书易懂、实用，你可将从中学到的知识直接用于实际场景。
——Or Golan
★★★★★“澄清集成学习概念，示例和代码丰富，令我拍案叫好。”
——Peter V Henstock，辉瑞公司AI/ML部门负责人，哈佛大学哈佛继续教育学院高级AI/ML讲师
★★★★★“在复杂场景中，单一模型无法得出准确结论。这本极具价值的书籍将讲述集成学习方式，为你提供解决问题的利器。”
——McHughson Chambers，Roy Hobbs钻石公司
★★★★★“集成方法是极具价值的工具。可融合多种方法的优势，减轻它们各自的弱点，提高模型性能。”
——Noah Flynn，ya马逊公司
★★★★★“循序渐进，讲解清晰。”
——Oliver Korten，ORONTEC公司
评论
还没有评论。