數據挖掘競賽實戰：方法與案例
許可樂
買這商品的人也買了...
-
機器交易：利用算法贏得市場先機$534$507 -
量化投資：交易模型開發與數據挖掘$594$564 -
$403數據決策：企業數據的管理、分析與應用 -
中台實踐：數字化轉型方法論與解決方案$534$507 -
$505標簽類目體系：面向業務的數據資產設計方法論 -
Python 金融市場賺大錢聖經：寫出你的專屬指標, 2/e$780$616 -
Python 爬蟲從菜鳥到高手$714$678 -
最強 AI 投資分析：打造自己的股市顧問機器人，股票趨勢分析×年報解讀×選股推薦×風險管理$750$593 -
$709機器學習高級實踐：運算廣告、供需預測、智慧行銷、動態定價 -
矽谷 Python 工程師面試指南：資料結構、演算法與系統設計$534$507 -
Streamlit 實戰指南 : 使用 Python 創建交互式數據應用$888$844
相關主題
商品描述
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，並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、電腦視覺（圖像）、電腦視覺（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，並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。
目錄大綱
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 特徵構造 23
2.3.1 時間特徵 23
2.3.2 單變量特徵 25
2.3.3 組合特徵 27
2.3.4 降維/聚類特徵 28
2.3.5 目標值相關特徵 30
2.3.6 拼表特徵 33
2.3.7 時序特徵 39
2.4 特徵篩選 41
2.4.1 冗餘特徵過濾 41
2.4.2 無效/低效特徵過濾 42
2.4.3 過擬合特徵過濾 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 標簽分佈 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 特徵工程 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 特徵抽取網絡 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 電腦視覺（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 電腦視覺（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 類型分佈 167
7.2.3 圖像分佈 168
7.2.4 標註分佈 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 電腦視覺（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 電腦視覺（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
