大數據分析與應用實戰：統計機器學習之資料導向程式設計

類似書籍推薦給您

書名：大數據分析與應用實戰：統計機器學習之資料導向程式設計 作者：鄒慶士 出版社：東華 出版日期：2019/04/01 ISBN：9789574363407 內容簡介 本書特色 　　•文字說明、程式碼與執行結果等交叉呈現，有助於閱讀理解。 　　•來自不同領域的資料處理與分析範例。 　　•同時掌握資料分析兩大主流工具 - R 與 Python。 　　•凸顯第四代與第三代程式語言不同之處。 　　•深入淺出地介紹統計機器學習理論與實務。 　　•符合 iPAS 經濟部產業人才能力鑑定巨量資料分析師各科評鑑主題。 目錄 第一章資料導向程式設計 1.1 套件管理 1.1.1 基本套件 1.1.2 建議套件 1.1.3 貢獻套件 1.2 環境與輔助說明 1.3 R 語言資料物件 1.3.1 向量 1.3.2 矩陣 1.3.3 陣列 1.3.4 串列 1.3.5 資料框 1.3.6 因子 1.3.7 R 語言原生資料物件取值 1.3.8 R 語言衍生資料物件 1.4 Python 語言資料物件 1.4.1 Python 語言原生資料物件操弄 1.4.2 Python 語言衍生資料物件取值 1.4.3 Python 語言類別變數綸碼 1.5 向量化與隱式迴圈 1.6 編程範式與物件導向概念 1.6.1 R 語言 S3 類別 1.6.2 Python 語言物件導向 1.7 控制敘述與自訂函數 1.7.1 控制敘述 1.7.2 自訂函數 1.8 資料匯入與匯出 1.8.1 R 語言資料匯入及匯出 1.8.2 Python 語言資料匯入及匯出 1.9 程式除錯與效率監測 第二章資料前處理 2.1 資料管理 2.1.1 R 語言資料組識與排序 2.1.2 Python 語言資料排序 2.1.3 R 語言資料變形 2.1.4 Python語言資料變形 2.1.5 R 語言資料清理 2.1.6 Python 語言資料清理 2.2 資料摘要與彙總 2.2.1 摘要統計量 2.2.2 R 語言群組與摘要 2.2.3 Python 語言群組與摘要 2.3 屬性工程 2.3.1 屬性轉換與移除 2.3.2 屬性萃取之主成份分析 2.3.2.1奇異值矩陣分解 2.3.3 屬性挑選 2.3.4 小結 2.4 巨量資料處理概念 2.4.1 文字資料處理 2.4.2 Hadoop 分散式檔案系統 2.4.3 Spark 叢集訓計算框架 第三章統計機器學習基礎 3.1 隨機誤差模型 3.1.1 統計機器學習類型 3.1.2 過度配適 3.2 模型績效評量 3.2.1 迴歸模型績效指標 3.2.2 分類模型績效指標 3.2.2.1 模型預測值 3.2.2.2 混淆矩陣 3•2.2.3 整體指標 3.2.2.4 類別相關指標 3.2.3 模型績效視覺化 3.3 模型選擇與評定 3.3.1 重抽樣與資料切分方法 3.3.2 單類模型參數調校 3.3.2.1 多個參數待調 3.3.2.2 客製化參數調校 3.3.3 比較不同類的模型 3.4 相似性與距離 3.5 相關與獨立 3.5.1 數值變數與順序尺度類別變數 3.5.2 名目尺度類別變數 3.5.3 類別變數視覺化關聯檢驗 第四章非監督式學習 4.1 資料視覺化 4.1.1 圖形文法繪圖 4.2 關聯型態探勘 4.2.1 關聯型態評估準則 4.2.2 線上音樂城關聯規則分析 4.2.3 結語 4.3 集群分析 4.3.1 k 平均數集群 4.3.1.1 青少年市場區隔案例 4.3.2 階層式集群 4.3.3 密度集群 4.3.3.1 密度集群案例 4.3.4 集群結果評估 4.3.5 結語 第五章監督式學習 5.1 線性迴歸與分類 5.1.1 多元線性迴歸 5.1.2 偏最小平方法迴歸 5.1.3 脊迴歸、LASSO 迴歸與彈性網罩懲罰模型 5.1.4 線性判別分析 5.1.4.1 貝氏法 5.1.4.2 費雪法 5.1.5 羅吉斯迴歸分類與廣義線性模型 5.2 非線性分類與迴歸 5.2.1 天真貝式分類 5.2.1.1手機簡訊過濾案例 5.2.2 k 近鄰法分類 5.2.2.1 電離層無線電訊號案例 5.2.3 支援向量機分類 5.2.3.1 光學手寫字元案例 5.2.4 分類與迴歸樹 5.2.4.1 銀行貸款風險管理案例 5.2.4.2 酒品評點迴歸樹預測 5.2.4.3 小結 第六章其它學習方式 6.1 薈萃式學習 6.1.1 拔靴集成法 6.1.2 多模激發法 6.1.2.1 房價中位數預測案例 6.1.3 隨機森林 6.1.4 小結 6.2 深度學習 6.2.1 類神經網路簡介 6.2.2 多層感知機 6.2.2.1 混凝土強度佔計案例 6.2.3 卷積神經網路 6.2.4 遞歸神經網路 6.2.5 自動編碼器 6.2.6 受限波茲曼機 6.2.7 深度信念網路 6.2.8 深度學習參數調校 6.3 強化式學習

萬顆GPU的訓練：分散式機器學習 — 系統工程與實戰 (1版)

類似書籍推薦給您

【簡介】 ＊分散式機器學習機礎，包括資料、模型、管線的並行 　　＊集合通訊的重要性、參數伺服器PS-Lite 　　＊PyTorch DataParalle、PyTorch DDP的基礎及動態邏輯 　　＊Uber Horovod的原理及實作 　　＊GPipe、PyTorch的管線並行及PipeDream基礎架構及實作 　　＊Megatron原理及實作、PyTorch的模型並行原理實作 　　＊分散式運算的最佳化器 　　＊TensorFlow的分散式環境，靜態架構、動態邏輯 　　＊分散式架構的策略基礎、MirroredStrategy、ParameterServerStrategy 　　本書書以PyTorch為主體講解，從系統和實踐的角度對分散式機器學習進行整理。 　　包括了第1篇分散式基礎，介紹了分散式機器學習的基本概念、基礎設施，以及機器學習並行化的技術、框架和軟體系統，然後對集合通訊和參數伺服器PS-Lite進行了介紹。 　　第2篇介紹資料並行，將計算負載切分到多張卡上，實作為PyTorch及Horovod。 　　第3篇介紹模型並行，主要說明了張量模型並行及管線模弄並行，讓模型可以放入多節點上。 　　第4篇NVIDIA Megatron進行分析，講解如何進行層內分割模型並行，然後學習PyTorch如何支援模型並行。 　　第5篇則是將全書的內容用TensorFlow實作，讓已經熟悉TensorFlow的使用者不必重新學習新的框架。 【目錄】 第1篇 分散式基礎 第1章 分散式機器學習 1.1 機器學習概念 1.2 機器學習的特點 1.3 分散式訓練的必要性 1.4 分散式機器學習研究領域 1.5 從模型角度看如何並行 1.6 從訓練併發角度看如何並行 1.7 分散式機器學習程式設計介面 1.8 PyTorch分散式 1.9 總結 第2章 集合通訊 2.1 通訊模式 2.2 點對點通訊 2.3 集合通訊 2.4 MPI_AllReduce 2.5 Ring All-Reduce 第3章 參數伺服器之PS-Lite 3.1 參數伺服器 3.2 基礎模組Postoffice 3.3 通訊模組Van 3.4 代理人Customer 3.5 應用節點實現 第2篇 資料並行 第4章 PyTorch DataParallel 4.1 整體說明 4.2 範例 4.3 定義 4.4 前向傳播 4.5 計算損失 4.6 反向傳播 4.7 總結 第5章 PyTorch DDP的基礎架構 5.1 DDP總述 5.2 設計理念 5.3 基礎概念 5.4 架構和初始化 第6章 PyTorch DDP的動態邏輯 6.1 Reducer類別 6.2 前向/反向傳播 第7章 Horovod 7.1 從使用者角度切入 7.2 horovodrun 7.3 網路基礎和Driver 7.4 DistributedOptimizer 7.5 融合框架 7.6 背景執行緒架構 第3篇 管線並行 第8章 GPipe 8.1 管線基本實現 8.2 梯度累積 8.3 Checkpointing 第9章 PyTorch管線並行 9.1 如何劃分模型 9.2 切分資料和Runtime系統 9.3 前向計算 9.4 計算依賴 9.5 平行計算 第10章 PipeDream之基礎架構 10.1 整體想法 10.2 profile階段 10.3 計算分區階段 10.4 轉換模型階段 第11章 PipeDream之動態邏輯 11.1 Runtime引擎 11.2 通訊模組 11.3 1F1B策略 第4篇 模型並行 第12章 Megatron 12.1 設計想法 12.2 模型並行實現 12.3 如何設置各種並行 12.4 Pipedream的管線刷新 第13章 PyTorch如何實現模型並行 13.1 PyTorch模型並行 13.2 分散式自動求導之設計 13.3 RPC基礎 13.4 上下文相關 13.5 如何切入引擎 13.6 自動求導引擎 第14章 分散式最佳化器 14.1 原生最佳化器 14.2 DP的最佳化器 14.3 DDP的最佳化器 14.4 Horovod的最佳化器 14.5 模型並行的分散式問題 14.6 PyTorch分散式最佳化器 14.7 PipeDream分散式最佳化器 第5篇 TensorFlow分散式 第15章 分散式運行環境之靜態架構 15.1 整體架構 15.2 Server 15.3 Master的靜態邏輯 15.4 Worker的靜態邏輯 第16章 分散式運行環境之動態邏輯 16.1 Session機制 16.2 Master動態邏輯 16.3 Worker動態邏輯 16.4 通訊機制 第17章 分散式策略基礎 17.1 使用TensorFlow進行分散式訓練 17.2 DistributedStrategy基礎 17.3 分散式變數 第18章 MirroredStrategy 18.1 MirroredStrategy集合通訊 18.2 MirroredStrategy分發計算 第19章 ParameterServerStrategy 19.1 ParameterServerStrategyV1 19.2 ParameterServerStrategyV2 19.3 ClusterCoordinator