第1章 機器學(xué)習(xí)基礎(chǔ)
　1.1 常用機器學(xué)習(xí)工具
　1.2 數(shù)據(jù)分析技能培養(yǎng)
　1.3 Anaconda的安裝與使用
第2章 貸款違約行為預(yù)測
　2.1 建立信用評估模型的必要性
　2.2 數(shù)據(jù)預(yù)處理
　　2.2.1 原始數(shù)據(jù)集
　　2.2.2 基礎(chǔ)表數(shù)據(jù)預(yù)處理
　　2.2.3 多表合并
　2.3 模型選擇
　　2.3.1 帶正則項的Logistic回歸模型
　　2.3.2 樸素貝葉斯模型
　　2.3.3 隨機森林模型
　　2.3.4 SVM模型
　2.4　整體流程
　　2.4.1 初始表預(yù)處理與合并
　　2.4.2 拆分?jǐn)?shù)據(jù)集
　　2.4.3 模型訓(xùn)練和評估
　2.5 客戶細分
第3章 保險風(fēng)險預(yù)測
　3.1 背景介紹
　3.2 數(shù)據(jù)預(yù)處理
　　3.2.1 數(shù)據(jù)加載
　　3.2.2 缺失值處理
　　3.2.3 屬性值的合并與連接
　　3.2.4 數(shù)據(jù)轉(zhuǎn)換
　　3.2.5 數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化
　3.3 多維分析
　3.4 基于神經(jīng)網(wǎng)絡(luò)模型預(yù)測保險風(fēng)險
　3.5 使用SVM預(yù)測保險風(fēng)險
第4章 銀行客戶流失預(yù)測
　4.1 問題描述
　4.2 數(shù)據(jù)預(yù)處理
　　4.2.1 非數(shù)值特征處理
　　4.2.2 數(shù)據(jù)離散化處理
　　4.2.3 數(shù)據(jù)篩選
　　4.2.4 數(shù)據(jù)分割
　4.3 數(shù)據(jù)建模
　　4.3.1 決策樹模型
　　4.3.2 構(gòu)建決策樹模型
　4.4 模型校驗評估
　　4.4.1 混淆矩陣
　　4.4.2 ROC曲線
　　4.4.3 決策樹參數(shù)優(yōu)化
　　4.4.4 k折交叉驗證
　4.5 算法性能比較
第5章 基于深度神經(jīng)網(wǎng)絡(luò)的股票預(yù)測
　5.1 股票趨勢預(yù)測的分析思路
　5.2 數(shù)據(jù)預(yù)處理
　　5.2.1 數(shù)據(jù)歸一化
　　5.2.2 加窗處理
　　5.2.3 分割數(shù)據(jù)集
　　5.2.4 標(biāo)簽獨熱編碼轉(zhuǎn)化
　5.3 模型訓(xùn)練
　5.4 模型評估
　5.5 模型比較
第6章 保險產(chǎn)品推薦
　6.1 保險產(chǎn)品推薦的流程
　6.2 數(shù)據(jù)提取
　6.3 數(shù)據(jù)預(yù)處理
　　6.3.1 去重和合并數(shù)據(jù)集
　　6.3.2 缺失值處理
　　6.3.3 特征選擇
　　6.3.4 類型變量獨熱編碼化
　　6.3.5 數(shù)值變量規(guī)范化
　　6.3.6 生成訓(xùn)練集和測試集
　6.4 構(gòu)建保險預(yù)測模型
　6.5 模型評估
第7章 零售商品銷售預(yù)測
　7.1 問題分析
　7.2 數(shù)據(jù)探索
　7.3 數(shù)據(jù)預(yù)處理
　　7.3.1 填補缺失值
　　7.3.2 修正異常值
　　7.3.3 新建字段
　　7.3.4 類型變量數(shù)值化和獨熱編碼化
　　7.3.5 數(shù)據(jù)導(dǎo)出
　7.4 建立銷售量預(yù)測模型
　　7.4.1 線性回歸模型
　　7.4.2 Ridge回歸模型
　　7.4.3 LASSO回歸模型
　　7.4.4 Elastic Net回歸模型
　　7.4.5 決策樹回歸模型
　　7.4.6 梯度提升樹回歸模型
　　7.4.7 隨機森林回歸模型
　7.5 模型評估
第8章 汽車備件銷售預(yù)測
　8.1 數(shù)據(jù)理解
　8.2 數(shù)據(jù)預(yù)處理
　　8.2.1 屬性的刪除
　　8.2.2 處理缺失值
　　8.2.3 異常值處理
　　8.2.4 數(shù)據(jù)格式轉(zhuǎn)換
　8.3 建模分析與評估
　　8.3.1 回歸決策樹算法
　　8.3.2 時間序列分析
　　8.3.3 聚類分析
第9章 火力發(fā)電廠工業(yè)蒸汽量預(yù)測
　9.1 確定業(yè)務(wù)問題
　9.2 數(shù)據(jù)理解
　9.3 工業(yè)蒸汽量的預(yù)測建模過程
　　9.3.1 數(shù)據(jù)預(yù)處理
　　9.3.2 建模分析與評估
第10章 圖片風(fēng)格轉(zhuǎn)化
　10.1 CycleGAN原理
　10.2 模型比較
　　10.2.1 CycleGAN與pix2pix
　　10.2.2 CycleGAN與DistanceGAN
　10.3 使用TensorFlow實現(xiàn)圖片風(fēng)格轉(zhuǎn)化
第11章 車道檢測
　11.1 數(shù)據(jù)預(yù)處理
　11.2 網(wǎng)絡(luò)模型選擇
　11.3 構(gòu)建車道檢測模型
　11.4 訓(xùn)練模型
　11.5 車道檢測模型測試
第12章 GRU算法在基于Session的推薦系統(tǒng)中的應(yīng)用
　12.1 問題分析
　12.2 數(shù)據(jù)探索與預(yù)處理
　　12.2.1 數(shù)據(jù)變換
　　12.2.2 數(shù)據(jù)過濾
　　12.2.3 數(shù)據(jù)分割
　　12.2.4 格式轉(zhuǎn)換
　12.3 構(gòu)建GRU模型
　　12.3.1 GRU概述
　　12.3.2 構(gòu)建GRU推薦模型
　12.4 模型評估
第13章 人臉老化預(yù)測
　13.1 問題分析
　13.2 圖片編碼與GAN設(shè)計
　13.3 模型實現(xiàn)
　13.4 實驗分析
第14章 出租車軌跡數(shù)據(jù)分析
　14.1 數(shù)據(jù)獲取
　14.2 數(shù)據(jù)預(yù)處理
　14.3 數(shù)據(jù)分析
　　14.3.1 出租車區(qū)域推薦以及交通管理建議
　　14.3.2 城市規(guī)劃建議
第15章 城市聲音分類
　15.1 數(shù)據(jù)準(zhǔn)備與探索
　15.2 特征提取
　15.3 構(gòu)建城市聲音分類模型
　　15.3.1 使用MLP訓(xùn)練聲音分類模型
　　15.3.2 使用LSTM與GRU網(wǎng)絡(luò)訓(xùn)練聲音分類模型
　　15.3.3 使用CNN訓(xùn)練聲音分類模型
　15.4 聲音分類模型評估
　　15.4.1 MLP網(wǎng)絡(luò)性能評估
　　15.4.2 LSTM與GRU網(wǎng)絡(luò)性能評估
　　15.4.3 CNN性能評估
第16章 基于YOLO的智能交通燈控制
　16.1 目標(biāo)檢測原理
　16.2 OpenVINO模型優(yōu)化
　16.3 系統(tǒng)運行環(huán)境
　16.4 模型轉(zhuǎn)化
　　16.4.1 視頻采集與處理
　　16.4.2 檢測結(jié)果可視化
　　16.4.3 交通燈控制模塊
第17章 基于GoogLeNet的危險物品檢測
　17.1 GoogLeNet簡介
　17.2 運行環(huán)境
　17.3 危險物品檢測模型實現(xiàn)
　　17.3.1 視頻采集與處理
　　17.3.2 檢測結(jié)果可視化
　　17.3.3 檢測報警
第18章 基于PoseNet的人體姿態(tài)估計
　18.1 PoseNet動作分析
　18.2 視頻采集與處理
　18.3 PoseNet模型調(diào)用
第19章 安全駕駛檢測
　19.1 導(dǎo)入Python相關(guān)的模塊包
　19.2 數(shù)據(jù)探索
　19.3 數(shù)據(jù)預(yù)處理
　19.4 模型構(gòu)建及訓(xùn)練
　19.5 模型驗證
　19.6 OpenVINO的環(huán)境配置
　19.7 模型轉(zhuǎn)換
19.8 利用OpenVINO運行優(yōu)化后的IR模型
第20章 O2O優(yōu)惠券使用預(yù)測
　20.1 數(shù)據(jù)來源分析
　20.2 數(shù)據(jù)預(yù)處理
　　20.2.1 用戶特征提取
　　20.2.2 商戶特征提取
　　20.2.3 優(yōu)惠券特征提取
　　20.2.4 生成訓(xùn)練和測試數(shù)據(jù)集
　20.3 模型構(gòu)建
　　20.3.1 構(gòu)建RNN網(wǎng)絡(luò)模型
　　20.3.2 構(gòu)建雙向LSTM網(wǎng)絡(luò)模型
　　20.3.3 構(gòu)建GRU網(wǎng)絡(luò)模型
　20.4 實驗結(jié)果
參考文獻