人工智能人才培养系列 机器学习案例实战PDF电子书下载

第1章 常用机器学习平台 1

1.1 常用机器学习工具 1

1.2 TI-ONE平台概述 3

1.3 PySpark介绍 4

1.4 TI-ONE机器学习平台主要的组件 5

1.4.1 数据源组件 5

1.4.2 机器学习组件 6

1.4.3 输出组件 10

1.4.4 模型评估组件 11

第2章 银行信用卡风险的可视化分析 12

2.1 Tableau简介 13

2.2 客户信用等级影响因素 13

2.3 客户消费情况对信用等级的影响 19

2.4 客户拖欠情况对信用等级的影响 24

2.5 欺诈客户特征分析 27

第3章 贷款违约行为预测 31

3.1 建立信用评估模型的必要性 31

3.2 数据准备与预处理 32

3.2.1 原始数据集 33

3.2.2 基础表数据预处理 36

3.2.3 多表合并 40

3.3 模型选择 42

3.3.1 带正则项的Logistic回归模型 42

3.3.2 朴素贝叶斯模型 42

3.3.3 随机森林模型 42

3.3.4 SVM模型 43

3.4 TI-ONE整体流程 43

3.4.1 登录TI-ONE 44

3.4.2 输入工作流名称 44

3.4.3 上传数据 45

3.4.4 数据预处理 46

3.4.5 拆分出验证集 50

3.4.6 拆分出测试集 51

3.4.7 模型训练和评估 51

第4章 保险风险预测 61

4.1 背景介绍 61

4.2 数据预处理 63

4.2.1 数据加载与预览 63

4.2.2 缺失值处理 64

4.2.3 属性值的合并与连接 65

4.2.4 数据转换 66

4.2.5 数据标准化和归一化 67

4.3 多维分析 67

4.4 基于神经网络模型预测保险风险 70

4.5 使用SVM预测保险风险 74

第5章 银行客户流失预测 80

5.1 问题描述 80

5.2 数据上传 82

5.3 数据预处理 83

5.3.1 非数值特征处理 83

5.3.2 数据离散化处理 83

5.3.3 数据筛选 85

5.3.4 数据格式转化 86

5.3.5 数据分割 87

5.4 数据建模 88

5.5 模型校验评估 91

5.5.1 二分类算法评估 91

5.5.2 ROC曲线绘制 92

5.5.3 决策树参数优化 94

5.5.4 k折交叉验证 95

5.6 工作流的运行 95

5.7 算法性能比较 98

第6章 基于深度神经网络的股票预测 100

6.1 股票趋势预测的背景和分析思路 100

6.2 数据提取 103

6.3 数据预处理 103

6.3.1 数据归一化 103

6.3.2 加窗处理 104

6.3.3 分割数据集 106

6.3.4 标签独热编码转化 106

6.4 模型训练 106

6.5 算法评估 110

6.6 算法比较 111

第7章 保险产品推荐 119

7.1 保险产品推荐的流程 120

7.2 数据提取 121

7.2.1 上传原始文件 121

7.2.2 读取训练集和检验集 122

7.3 数据预处理 124

7.3.1 去重和合并数据集 124

7.3.2 缺失值处理 125

7.3.3 特征选择 126

7.3.4 类型变量独热编码 127

7.3.5 数值变量规范化 127

7.3.6 生成训练集和检验集 128

7.4 构建保险预测模型 129

7.5 模型评估 131

第8章 零售商品销售预测 133

8.1 问题分析 133

8.2 数据探索 135

8.2.1 上传原始数据 135

8.2.2 数据质量评估 136

8.3 数据预处理 139

8.3.1 填补缺失值 139

8.3.2 修正异常值 140

8.3.3 衍生字段 141

8.3.4 类型变量数值化和独热编码化 142

8.3.5 数据导出 143

8.4 建立销售量预测模型 143

8.4.1 线性回归模型 144

8.4.2 Ridge回归模型 145

8.4.3 Lasso回归模型 145

8.4.4 Elastic Net回归模型 146

8.4.5 决策树回归模型 146

8.4.6 梯度提升树回归模型 147

8.4.7 随机森林回归模型 148

8.5 模型评估 148

第9章 汽车备件销售预测 151

9.1 数据理解 151

9.2 数据分析流程 152

9.2.1 设置数据源 152

9.2.2 数据预处理 155

9.2.3 建模分析与评估 158

9.3 聚类分析 162

第10章 火力发电厂工业蒸汽量预测 166

10.1 确定业务问题 166

10.2 数据理解 166

10.3 工业蒸汽量的预测建模过程 167

10.3.1 设置数据源 168

10.3.2 数据预处理 168

10.3.3 建模分析与评估 172

第11章 图片风格转化 179

11.1 CycleGAN原理 180

11.2 图片风格转化整体流程 182

11.2.1 设置数据源 183

11.2.2 数据预处理 184

11.2.3 模型训练 186

11.2.4 验证模型参数以及测试集 193

11.2.5 模型测试——转化图片风格 194

11.3 运行工作流 195

11.4 算法比较 198

11.4.1 CycleGAN与pix2pix模型 198

11.4.2 CycleGAN与DistanceGAN模型 198

11.5 使用TensorFlow实现图片风格转化 199

第12章 人类活动识别 206

12.1 问题分析 206

12.2 数据探索 207

12.3 数据预处理 209

12.4 模型构建 210

12.5 模型评估 214

第13章 GRU算法在基于Session的推荐系统的应用 221

13.1 问题分析 221

13.2 数据探索与预处理 222

13.2.1 数据变换 223

13.2.2 数据过滤 223

13.2.3 数据分割 223

13.2.4 格式转换 224

13.3 构建GRU模型 225

13.3.1 GRU概述 225

13.3.2 构建GRU推荐模型 226

13.4 模型评估 229

第14章 人脸老化预测 233

14.1 问题分析与数据集简介 233

14.2 图片编码与GAN设计 234

14.3 模型实现 235

14.4 实验分析 236

第15章 出租车轨迹数据分析 243

15.1 数据获取 244

15.2 数据预处理 246

15.3 数据分析 252

15.3.1 出租车区域推荐以及交通管理建议 252

15.3.2 城市规划建议 257

第16章 城市声音分类 261

16.1 数据准备与探索 261

16.2 数据特征提取 268

16.3 构建城市声音分类模型 271

16.3.1 使用MLP训练声音分类模型 271

16.3.2 使用LSTM与GRU网络训练声音分类模型 273

16.3.3 使用CNN训练声音分类模型 274

16.4 声音分类模型评估 275

16.4.1 MLP网络性能评估 275

16.4.2 LSTM与GRU网络性能评估 276

16.4.3 CNN性能评估 277

后记 数据分析技能培养 279

参考文献 282