小册描述
目录
- 第4章 知识发现与数据挖掘
- 4.1 知识发现概述
- 4.1.1 知识发现的对象
- 4.1.2 知识发现的任务
- 4.1.3 知识发现方法
- 4.1.4 知识发现的应用领域
- 4.2 数据挖掘概述
- 4.2.1 数据挖掘技术的产生及定义
- 4.2.2 数据挖掘的功能
- 4.2.3 常用的数据挖掘方法
- 4.3 大数据处理概述
- 4.3.1 分布式数据基础设施平台Hadoop及其生态系统
- 4.3.2 分布式计算框架Spark及其生态系统
- 4.3.3 低延迟流式处理大数据框架—Storm
- 4.3.4 大数据挖掘与分析
- 4.4 数据挖掘应用实践
- 4.4.1 学生考试成绩预测
- 4.4.2 基于用户手机使用行为进行风险识别
- 第5章 机器学习
- 5.1 机器学习简介
- 5.1.1 机器学习的发展历程
- 5.1.2 机器学习的概念及地位
- 5.1.3 机器学习的范畴
- 5.2 机器学习的分类
- 5.2.1 监督学习
- 5.2.2 无监督学习
- 5.2.3 弱监督学习
- 5.3 经典的机器学习算法
- 5.3.1 分类算法
- 5.3.2 k均值聚类算法
- 5.3.3 Apriori关联规则算法
- 5.3.4 迁移学习
- 5.4 机器学习应用实践
- 5.4.1 使用决策树模型进行列车空调故障预测
- 5.4.2 采用多种算法实现校园用户识别
- 第6章 深度学习
- 6.1 深度学习简介
- 6.1.1 什么是深度学习
- 6.1.2 深度学习的前世今生
- 6.1.3 深度学习开发框架
- 6.2 卷积神经网络
- 6.2.1 卷积神经网络的提出
- 6.2.2 卷积神经网络结构
- 6.2.3 经典卷积模型
- 6.3 循环神经网络
- 6.3.1 RNN基本原理
- 6.3.2 RNN的基本结构
- 6.3.3 RNN的高级形式
- 6.3.4 RNN的训练
- 6.4 深度学习应用实践
- 6.4.1 用GoogLeNet训练识别花卉
- 6.4.2 图像着色
- 6.4.3 风格迁移
- 6.4.4 图片识别