机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论主流机器学习平台的主要特点和机器学习的实战难点；在此基础上，利用主流的机器学习开源平台TensorFlow、OpenVINO、PaddlePaddle等，通过19个实战案例，详细地分析决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、聚类、卷积神经网络、循环神经网络、生成对抗网络等机器学习和深度学习算法在金融、零售、汽车、电力、交通等典型领域的应用。
本书可以作为从事机器学习和深度学习工作的相关研究人员和技术人员的参考书，也可以作为高校相关专业机器学习、深度学习、数据挖掘等课程的实验和实训教材。
1.作者与多家知名企业合作，开展了多项机器学习数据分析的项目，积累了详细的分析案例。
2.作者是国内早期研究商务智能的学者之一（2001 年起），在国内也是较早开设商务智能等数据分析课程（2003 年起），有一定的影响力。
赵卫东，主要负责本科生和各类研究生机器学习、大数据核心技术和人工智能（机器学习）（商务数据分析）等课程的教学，2011年纽约大学访问学者。人工智能（机器学习）被评为上海市精品课程以及CMOOC联盟线上线下混合式教学改革项目，获得2013年高等教育上海市教学成果奖二等奖。目前主要研究方向包括机器学习应用和大数据分析等。主持国家自然科学基金2项、国家重点研发计划子课题、上海市浦江人才以及企业合作课题等30多项目。已在Knowledge and Information Systems ,Information Processing & Management，Information Systems Frontiers，Intelligent Data Analysis，Applied Intelligence等国内外刊物和学术会议发表论文100多篇。出版专著、教材《机器学习》《机器学习案例实战》《Python机器学习实战案例》等10多部。获得上海市2015年上海市科技进步二等奖。CDA三级认证数据科学家，腾讯云和百度云机器学习认证讲师。
第1章 机器学习基础
1.1 常用机器学习工具
1.2 数据分析技能培养
1.3 Anaconda的安装与使用
第2章 贷款违约行为预测
2.1 建立信用评估模型的必要性
2.2 数据预处理
2.2.1 原始数据集
2.2.2 基础表数据预处理
2.2.3 多表合并
2.3 模型选择
2.3.1 带正则项的Logistic回归模型
2.3.2 朴素贝叶斯模型
2.3.3 随机森林模型
2.3.4 SVM模型
2.4 整体流程
2.4.1 初始表预处理与合并
2.4.2 拆分数据集
2.4.3 模型训练和评估
2.5 客户细分
第3章 保险风险预测
3.1 背景介绍
3.2 数据预处理
3.2.1 数据加载
3.2.2 缺失值处理
3.2.3 属性值的合并与连接
3.2.4 数据转换
3.2.5 数据标准化和归一化
3.3 多维分析
3.4 基于神经网络模型预测保险风险
3.5 使用SVM预测保险风险
第4章 银行客户流失预测
4.1 问题描述
4.2 数据预处理
4.2.1 非数值特征处理
4.2.2 数据离散化处理
4.2.3 数据筛选
4.2.4 数据分割
4.3 数据建模
4.3.1 决策树模型
4.3.2 构建决策树模型
4.4 模型校验评估
4.4.1 混淆矩阵
4.4.2 ROC曲线
4.4.3 决策树参数优化
4.4.4 k折交叉验证
4.5 算法性能比较
第5章 基于深度神经网络的股票预测
5.1 股票趋势预测的分析思路
5.2 数据预处理
5.2.1 数据归一化
5.2.2 加窗处理
5.2.3 分割数据集
5.2.4 标签独热编码转化
5.3 模型训练
5.4 模型评估
5.5 模型比较
第6章 保险产品推荐
6.1 保险产品推荐的流程
6.2 数据提取
6.3 数据预处理
6.3.1 去重和合并数据集
6.3.2 缺失值处理
6.3.3 特征选择
6.3.4 类型变量独热编码化
6.3.5 数值变量规范化
6.3.6 生成训练集和测试集
6.4 构建保险预测模型
6.5 模型评估
第7章 零售商品销售预测
7.1 问题分析
7.2 数据探索
7.3 数据预处理
7.3.1 填补缺失值
7.3.2 修正异常值
7.3.3 新建字段
7.3.4 类型变量数值化和独热编码化
7.3.5 数据导出
7.4 建立销售量预测模型
7.4.1 线性回归模型
7.4.2 Ridge回归模型
7.4.3 LASSO回归模型
7.4.4 Elastic Net回归模型
7.4.5 决策树回归模型
7.4.6 梯度提升树回归模型
7.4.7 随机森林回归模型
7.5 模型评估
第8章 汽车备件销售预测
8.1 数据理解
8.2 数据预处理
8.2.1 属性的删除
8.2.2 处理缺失值
8.2.3 异常值处理
8.2.4 数据格式转换
8.3 建模分析与评估
8.3.1 回归决策树算法
8.3.2 时间序列分析
8.3.3 聚类分析
第9章 火力发电厂工业蒸汽量预测
9.1 确定业务问题
9.2 数据理解
9.3 工业蒸汽量的预测建模过程
9.3.1 数据预处理
9.3.2 建模分析与评估
第10章 图片风格转化
10.1 CycleGAN原理
10.2 模型比较
10.2.1 CycleGAN与pix2pix
10.2.2 CycleGAN与DistanceGAN
10.3 使用TensorFlow实现图片风格转化
第11章 车道检测
11.1 数据预处理
11.2 网络模型选择
11.3 构建车道检测模型
11.4 训练模型
11.5 车道检测模型测试
第12章 GRU算法在基于Session的推荐系统中的应用
12.1 问题分析
12.2 数据探索与预处理
12.2.1 数据变换
12.2.2 数据过滤
12.2.3 数据分割
12.2.4 格式转换
12.3 构建GRU模型
12.3.1 GRU概述
12.3.2 构建GRU推荐模型
12.4 模型评估
第13章 人脸老化预测
13.1 问题分析
13.2 图片编码与GAN设计
13.3 模型实现
13.4 实验分析
第14章 出租车轨迹数据分析
14.1 数据获取
14.2 数据预处理
14.3 数据分析
14.3.1 出租车区域推荐以及交通管理建议
14.3.2 城市规划建议
第15章 城市声音分类
15.1 数据准备与探索
15.2 特征提取
15.3 构建城市声音分类模型
15.3.1 使用MLP训练声音分类模型
15.3.2 使用LSTM与GRU网络训练声音分类模型
15.3.3 使用CNN训练声音分类模型
15.4 声音分类模型评估
15.4.1 MLP网络性能评估
15.4.2 LSTM与GRU网络性能评估
15.4.3 CNN性能评估
第16章 基于YOLO的智能交通灯控制
16.1 目标检测原理
16.2 OpenVINO模型优化
16.3 系统运行环境
16.4 模型转化
16.4.1 视频采集与处理
16.4.2 检测结果可视化
16.4.3 交通灯控制模块
第17章 基于GoogLeNet的危险物品检测
17.1 GoogLeNet简介
17.2 运行环境
17.3 危险物品检测模型实现
17.3.1 视频采集与处理
17.3.2 检测结果可视化
17.3.3 检测报警
第18章 基于PoseNet的人体姿态估计
18.1 PoseNet动作分析
18.2 视频采集与处理
18.3 PoseNet模型调用
第19章 安全驾驶检测
19.1 导入Python相关的模块包
19.2 数据探索
19.3 数据预处理
19.4 模型构建及训练
19.5 模型验证
19.6 OpenVINO的环境配置
19.7 模型转换
19.8 利用OpenVINO运行优化后的IR模型
第20章 O2O优惠券使用预测
20.1 数据来源分析
20.2 数据预处理
20.2.1 用户特征提取
20.2.2 商户特征提取
20.2.3 优惠券特征提取
20.2.4 生成训练和测试数据集
20.3 模型构建
20.3.1 构建RNN网络模型
20.3.2 构建双向LSTM网络模型
20.3.3 构建GRU网络模型
20.4 实验结果
参考文献
书单推荐
