掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
深度學習
-
>
Unreal Engine 4藍圖完全學習教程
-
>
深入理解計算機系統-原書第3版
-
>
Word/Excel PPT 2013辦公應用從入門到精通-(附贈1DVD.含語音視頻教學+辦公模板+PDF電子書)
數據挖掘競賽實戰:方法與案例 版權信息
- ISBN：9787302658467
- 條形碼：9787302658467 ; 978-7-302-65846-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據挖掘競賽實戰:方法與案例 本書特色
探索五大數據挖掘競賽場景，掌握解題策略和流程，將理論與實踐完美融合。深度解讀TOP方案，重現其卓越代碼，助力您在競賽中脫穎而出，提升數據挖掘技能，為實際業務注入更高效能的模型力量。
數據挖掘競賽實戰:方法與案例 內容簡介
本書圍繞數據挖掘競賽，講解了各種類型數據挖掘競賽的解題思路、方法和技巧，并輔以對應的實戰案例。全書共11章。第1章介紹數據挖掘競賽的背景、意義和現狀。從第2章開始，介紹了各種不同類型的數據挖掘競賽包括結構化數據、自然語言處理、計算機視覺（圖像）、計算機視覺（視頻）、強化學習。每種類型的數據挖掘競賽包含理論篇和實戰篇：理論篇介紹通用的解題流程和關鍵技術；實戰篇選取比較有代表性的賽題，對賽題的優秀方案進行深入分析，并提供方案對應的實現代碼。 本書適合數據挖掘競賽愛好者、人工智能相關專業在校大學生、人工智能方向從業人員及對人工智能感興趣的讀者閱讀。
數據挖掘競賽實戰:方法與案例 目錄
第1章 數據挖掘競賽介紹 1
1.1 數據挖掘競賽的發展 1
1.2 數據挖掘競賽的意義 4
1.3 競賽平臺介紹 5
1.4 各種競賽的特點 8
1.5 競賽常用工具 9
第2章 結構化數據：理論篇 13
2.1 探索性數據分析 13
2.2 數據預處理 18
2.2.1 缺失值 18
2.2.2 異常值 20
2.2.3 內存優化 21
2.3 特征構造 23
2.3.1 時間特征 23
2.3.2 單變量特征 25
2.3.3 組合特征 27
2.3.4 降維/聚類特征 28
2.3.5 目標值相關特征 30
2.3.6 拼表特征 33
2.3.7 時序特征 39
2.4 特征篩選 41
2.4.1 冗余特征過濾 41
2.4.2 無效/低效特征過濾 42
2.4.3 過擬合特征過濾 45
2.5 模型 49
2.5.1 結構化數據常用模型 49
2.5.2 模型超參數優化 55
2.5.3 線下驗證 58
2.6 集成學習 62
2.6.1 投票法 62
2.6.2 平均法 63
2.6.3 加權平均法 64
2.6.4 Stacking 66
2.6.5 Blending 67
第3章 結構化數據：實戰篇 70
3.1 賽題概覽 70
3.2 數據探索 71
3.2.1 標簽分布 71
3.2.2 缺失值 72
3.2.3 異常值 73
3.2.4 相關性 73
3.3 優秀方案解讀 74
3.3.1 特征工程 75
3.3.2 模型 77
3.3.3 集成學習 80
第4章 自然語言處理：理論篇 82
4.1 探索性數據分析 84
4.1.1 文本詞數統計 84
4.1.2 高頻詞統計 85
4.2 數據預處理 86
4.3 數據增強 88
4.3.1 同義詞替換 88
4.3.2 回譯 89
4.3.3 文本生成 89
4.3.4 元偽標簽 90
4.4 模型 91
4.4.1 NLP競賽的萬金油—BERT 91
4.4.2 常用模型backbone及其特點 93
4.4.3 設計BERT類模型的輸入 95
4.4.4 設計BERT類模型的neck 98
4.4.5 設計BERT類模型的輸出 100
4.5 模型集成 103
4.6 訓練技巧 103
4.6.1 動態驗證 104
4.6.2 分層學習率 106
4.6.3 對抗訓練 108
4.6.4 使用特殊詞處理復雜信息 111
4.6.5 任務內掩碼語言建模 113
4.6.6 多樣本dropout 114
4.6.7 模型權重初始化 116
4.6.8 動態填充 117
4.6.9 根據文本詞數順序推理 118
4.6.10 梯度檢查點 119
4.6.11 拓展模型輸入長度限制 120
第5章 自然語言處理：實戰篇 121
5.1 賽題背景 121
5.2 數據介紹 122
5.3 評價指標 123
5.4 冠軍方案 124
5.4.1 解碼網絡 125
5.4.2 特征抽取網絡 127
5.4.3 掩碼預訓練 127
5.4.4 訓練技巧 128
5.4.5 模型集成 131
第6章 計算機視覺（圖像）：理論篇 134
6.1 通用流程 135
6.1.1 數據預處理 135
6.1.2 數據增強 136
6.1.3 預訓練 141
6.1.4 模型 142
6.1.5 損失函數 143
6.1.6 集成學習 143
6.1.7 通用技巧 143
6.2 分類任務 147
6.2.1 任務介紹及常用模型 147
6.2.2 損失函數 148
6.2.3 常用技巧 149
6.3 分割任務 150
6.3.1 任務介紹及常用模型 150
6.3.2 損失函數 151
6.3.3 常用技巧 152
6.4 檢測任務 154
6.4.1 任務介紹及常用模型 154
6.4.2 損失函數 155
6.4.3 常用技巧 161
第7章 計算機視覺（圖像）：實戰篇 165
7.1 競賽介紹 165
7.2 數據探索 166
7.2.1 數據基本情況 167
7.2.2 類型分布 167
7.2.3 圖像分布 168
7.2.4 標注分布 170
7.3 優秀方案解讀 170
7.3.1 檢測部分 171
7.3.2 分割部分 175
7.4 更多方案 180
第8章 計算機視覺（視頻）：理論篇 182
8.1 視頻數據與圖像數據的區別 182
8.2 常用模型 185
8.3 預訓練數據集 188
8.4 任務介紹 189
第9章 計算機視覺（視頻）：實戰篇 192
9.1 賽題背景 192
9.2 數據介紹和評價指標 192
9.3 冠軍方案 193
第10章 強化學習：理論篇 200
10.1 智能體設計 201
10.1.1 觀測輸入設計 201
10.1.2 收益設計 204
10.1.3 動作設計 205
10.2 模型設計 206
10.3 算法設計 207
10.3.1 強化學習算法 207
10.3.2 超參數調節 208
10.3.3 訓練技巧 210
10.3.4 算法性能評估 211
第11章 強化學習：實戰篇 212
11.1 賽題任務 212
11.2 環境介紹 213
11.3 評價指標 213
11.4 冠軍方案 214
1.1 數據挖掘競賽的發展 1
1.2 數據挖掘競賽的意義 4
1.3 競賽平臺介紹 5
1.4 各種競賽的特點 8
1.5 競賽常用工具 9
第2章 結構化數據：理論篇 13
2.1 探索性數據分析 13
2.2 數據預處理 18
2.2.1 缺失值 18
2.2.2 異常值 20
2.2.3 內存優化 21
2.3 特征構造 23
2.3.1 時間特征 23
2.3.2 單變量特征 25
2.3.3 組合特征 27
2.3.4 降維/聚類特征 28
2.3.5 目標值相關特征 30
2.3.6 拼表特征 33
2.3.7 時序特征 39
2.4 特征篩選 41
2.4.1 冗余特征過濾 41
2.4.2 無效/低效特征過濾 42
2.4.3 過擬合特征過濾 45
2.5 模型 49
2.5.1 結構化數據常用模型 49
2.5.2 模型超參數優化 55
2.5.3 線下驗證 58
2.6 集成學習 62
2.6.1 投票法 62
2.6.2 平均法 63
2.6.3 加權平均法 64
2.6.4 Stacking 66
2.6.5 Blending 67
第3章 結構化數據：實戰篇 70
3.1 賽題概覽 70
3.2 數據探索 71
3.2.1 標簽分布 71
3.2.2 缺失值 72
3.2.3 異常值 73
3.2.4 相關性 73
3.3 優秀方案解讀 74
3.3.1 特征工程 75
3.3.2 模型 77
3.3.3 集成學習 80
第4章 自然語言處理：理論篇 82
4.1 探索性數據分析 84
4.1.1 文本詞數統計 84
4.1.2 高頻詞統計 85
4.2 數據預處理 86
4.3 數據增強 88
4.3.1 同義詞替換 88
4.3.2 回譯 89
4.3.3 文本生成 89
4.3.4 元偽標簽 90
4.4 模型 91
4.4.1 NLP競賽的萬金油—BERT 91
4.4.2 常用模型backbone及其特點 93
4.4.3 設計BERT類模型的輸入 95
4.4.4 設計BERT類模型的neck 98
4.4.5 設計BERT類模型的輸出 100
4.5 模型集成 103
4.6 訓練技巧 103
4.6.1 動態驗證 104
4.6.2 分層學習率 106
4.6.3 對抗訓練 108
4.6.4 使用特殊詞處理復雜信息 111
4.6.5 任務內掩碼語言建模 113
4.6.6 多樣本dropout 114
4.6.7 模型權重初始化 116
4.6.8 動態填充 117
4.6.9 根據文本詞數順序推理 118
4.6.10 梯度檢查點 119
4.6.11 拓展模型輸入長度限制 120
第5章 自然語言處理：實戰篇 121
5.1 賽題背景 121
5.2 數據介紹 122
5.3 評價指標 123
5.4 冠軍方案 124
5.4.1 解碼網絡 125
5.4.2 特征抽取網絡 127
5.4.3 掩碼預訓練 127
5.4.4 訓練技巧 128
5.4.5 模型集成 131
第6章 計算機視覺（圖像）：理論篇 134
6.1 通用流程 135
6.1.1 數據預處理 135
6.1.2 數據增強 136
6.1.3 預訓練 141
6.1.4 模型 142
6.1.5 損失函數 143
6.1.6 集成學習 143
6.1.7 通用技巧 143
6.2 分類任務 147
6.2.1 任務介紹及常用模型 147
6.2.2 損失函數 148
6.2.3 常用技巧 149
6.3 分割任務 150
6.3.1 任務介紹及常用模型 150
6.3.2 損失函數 151
6.3.3 常用技巧 152
6.4 檢測任務 154
6.4.1 任務介紹及常用模型 154
6.4.2 損失函數 155
6.4.3 常用技巧 161
第7章 計算機視覺（圖像）：實戰篇 165
7.1 競賽介紹 165
7.2 數據探索 166
7.2.1 數據基本情況 167
7.2.2 類型分布 167
7.2.3 圖像分布 168
7.2.4 標注分布 170
7.3 優秀方案解讀 170
7.3.1 檢測部分 171
7.3.2 分割部分 175
7.4 更多方案 180
第8章 計算機視覺（視頻）：理論篇 182
8.1 視頻數據與圖像數據的區別 182
8.2 常用模型 185
8.3 預訓練數據集 188
8.4 任務介紹 189
第9章 計算機視覺（視頻）：實戰篇 192
9.1 賽題背景 192
9.2 數據介紹和評價指標 192
9.3 冠軍方案 193
第10章 強化學習：理論篇 200
10.1 智能體設計 201
10.1.1 觀測輸入設計 201
10.1.2 收益設計 204
10.1.3 動作設計 205
10.2 模型設計 206
10.3 算法設計 207
10.3.1 強化學習算法 207
10.3.2 超參數調節 208
10.3.3 訓練技巧 210
10.3.4 算法性能評估 211
第11章 強化學習：實戰篇 212
11.1 賽題任務 212
11.2 環境介紹 213
11.3 評價指標 213
11.4 冠軍方案 214
展開全部
數據挖掘競賽實戰:方法與案例 作者簡介
許可樂
畢業于法國巴黎六大，目前任教于國防科技大學計算機學院，入選湖湘青年英才人才計劃，Kaggle Grandmaster。長期從事智能模型開發與迭代研究。主持或參與自然科學基金、重點研發、國防科技創新特區等相關項目十余項，獲軍隊科技進步獎一項，擔任某重大工程項目副總設計師。
在面向復雜開放環境的智能模型算法、支持OODA決策的深度強化學習方法等領域取得一系列原創性的成果，所提出算法在包括ACM KDD Cup 等國際人工智能和數據挖掘競賽中獲獎40余項，部分已經國防關鍵領域得到實踐檢驗。
在相關智能領域的公認的會議和期刊發表論文80余篇，相關論文被引用1700余次。現任中國自動化學會混合智能專委會委員、中國計算機學會語音對話與聽覺專委會執行委員，歐盟/英國科研基金評審專家，擔任AAAI等10余個國際頂級會議程序委員，擔任20余個國際期刊審稿人，獲CCF BDCI優秀指導老師獎。
書友推薦
- >
名家帶你讀魯迅:故事新編
- >
回憶愛瑪儂
- >
名家帶你讀魯迅:朝花夕拾
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
月亮虎
- >
伊索寓言-世界文學名著典藏-全譯本
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
小考拉的故事-套裝共3冊
本類暢銷
