《机器学习 软件工程方法与实现》读书笔记思维导图

思维导图PPT模板《机器学习软件工程方法与实现》最新版读书笔记，下载可以直接修改模型方法数据小结特征示例机器第章工程项目算法原理处理流程代码分析上线学习实验本书关键字分析思维导图01第一部分工程基础篇第三部分特征篇第二部分机器学习基础篇第四部分模型篇目录030204内容摘要本书视角独特，将软件工程中的方法应用到机器学习实践中，重视方法论和工程实践的融合。本书主要有3个特点。1）机器学习的软件工程方法：用软件工程（SoftwareEngineering）中的工具、方法和理论指导机器学习的实践活动。主要体现在测试驱动开发（TDD）方法、机器学习项目管理方法、工程化软件应用于数据科学标准化环境，以及开源算法包的大量实践应用案例等。2）机器学习全生命周期：书中全面呈现了机器学习项目开发的完整链路，以项目需求为起点，历经样本定义、数据处理、建模、模型上线、模型监控、模型重训或重建。流程中的大部分节点独立成章，阐述充分，并且不是单纯地阐述理论，而是重在实践。同时，聚焦机器学习中应用最广泛和最有效的算法，使之成为贯穿机器学习项目生命周期的一条完整的学习路径。3）提出机器学习是一门实验学科：书中有大量的工业实践代码，例如数据分析包、特征离散化包、特征选择包、集成模型框架包、大规模模型上线系统架构和对应代码包等，对机器学习算法特性也有大量的代码解析。书中还多次强调对于机器学习这样一门实验和实践学科，工具、方法和策略的重要性，并介绍了在实际项目中对时间、人力成本等的权衡策略。本书不拘泥于公式推演、数值分析计算领域优化求解（梯度、牛顿、拉格朗日、凸优化）等主题，而重在展现机器学习的实际应用，以及各知识点的落地。在写作方式和内容编写等方面，本书力求既贴近工程实践又不失理论深度，给读者良好的阅读体验。第一部分工程基础篇所以一名新手要想上路必须要过两关。第1章机器学习软件工程方法第3章实验数据准备第2章工程环境准备第一部分工程基础篇1.1机器学习简述1.2软件工程方法1.3朴素贝叶斯测试驱动开发案例1.4本章小结第1章机器学习软件工程方法2.1Anaconda2.2使用Pipenv定制Python...2.3Docker打包环境2.4标准化在数据科学项目中的意义2.5数据科学项目工程环境2.6本章小结010302040506第2章工程环境准备3.1常用数据分布3.2开源数据集3.3scikit-learn数据集生...3.4随机数生成简介3.5本章小结12345第3章实验数据准备第二部分机器学习基础篇二是脚踩两只船着实是个技术活儿，有难度，不好踩，稍有不慎就掉水里了。第5章数据分析与处理第4章机器学习项目流程与核心概念第二部分机器学习基础篇4.1机器学习项目流程4.3本章小结4.2机器学习算法8个核心概念第4章机器学习项目流程与核心概念5.1变量的类型5.2常用分析方法5.3缺失值分析与处理5.4异常值分析与处理5.5数据分析工具包开发实战5.6本章小结010302040506第5章数据分析与处理第三部分特征篇为了帮助新手过第一关，作者从工程实践的视角阐述理论知识，较为全面的呈现了机器学习项目开发的整个链条，以项目需求为起点，详细阐述了样本定义、数据处理、各种模型的建模、模型上线、模型监控、模型重训等领域内容，以帮助读者建立一个较为完整的知识体系，建立一个全景式的理论知识图谱。第6章特征工程第8章特征选择第7章基于Featuretools的自...第三部分特征篇6.1特征工程简介6.2特征处理基础方法和实现6.3特征离散化方法和实现6.4本章小结第6章特征工程7.1特征衍生7.2Featuretools简介7.3Featuretools原理7.4Featuretools实践案例7.5本章小结12345第7章基于Featuretools的自...8.1特征选择概述8.2特征选择流程与模式8.3特征预测力指标8.4过滤法与实现第8章特征选择8.5包裹法与实现8.6嵌入法与实现8.7特征选择工具包开发实战8.8本章小结第8章特征选择第四部分模型篇第9章线性模型第10章树模型第11章集成模型第12章模型调参第四部分模型篇第13章模型性能评估第14章模型解释第15章模型上线之模型即服务第16章模型稳定性监控第四部分模型篇9.1普通线性回归模型9.2广义线性模型9.3正则化的回归9.4逻辑回归第9章线性模型9.5金融评分卡9.7本章小结9.6解决共线性第9章线性模型10.1树结构10.2决策树10.3决策树算法10.4树的剪枝第10章树模型10.5特征处理10.7本章小结10.6决策树实现示例第10章树模型11.1模型的可变组件11.2层次化的集成方法11.3Bagging方法11.4Boosting方法第11章集成模型11.5Stacking概述与实现示例11.7本章小结11.6SuperLearner与M...第11章集成模型12.1模型调参概述12.2调参流程和方法12.3Model-Free方法12.4XGBoost自动调参工具开发...第12章模型调参12.5贝叶斯方法12.7本章小结12.6部分开源调参项目简介第12章模型调参13.1训练误差vs测试误差13.2模型评估常见的数据切割方法13.3性能度量13.4本章小结第13章模型性能评估14.1模型解释概述14.2模型解释可视化方法14.3解释线性模型14.4解释树模型14.5模型无关解释方法14.6本章小结010302040506第14章模型解释15.1模型上线方案15.2提取系数上线：回归模型和评分卡15.3自动规则提取上线：决策树示例15.4PMML和ONNX15.5编译为共享库加速预测15.6原生模型持久化010302040506第15章模型上线之模型即服务15.7RESTfulWebSer...15.9本章小结15.