Large Scale Machine Learning--An Engineering Perspective--目录
2015-10-31 19:47
330 查看
第一部分 序言
0. 引言
1. 大规模机器学习平台的构成
第二部分 算法部分
2. 大规模机器学习常用开发范式
2.1. BSP
2.2. SSP (Bounded-Delay Algo)
2.3. Asynchronous Update
2.4. Data Parallelism
2.5. Model Parallelism
3. 有监督学习— 线性模型
3.1. Logistic Regression
3.1.1. 建模
3.1.2. 并行化实施
3.2. Support Vector Machine
3.2.1. 建模
Linear Kernel
Non-Linear Kernel
3.2.2. 并行化实施
3. 有监督学习— 非线性模型
3.1. Decision Tree
3.1.1. 建模
3.1.2. 并行化实施
3.2. Gradient Boosted Decision Tree
3.2.1. 建模
3.2.2. 并行化实施
3.3. Random Forest
3.3.1. 建模
3.3.2. 并行化实施
4. 无监督学习— 聚类
4.1. K-Means
4.1.1. 建模
4.1.2. 并行化实施
4.2. 层次聚类
4.2.1. 建模
4.2.2. 并行化实施
5. 无监督学习— 主题模型
5.1. PLSA
5.1.1. 建模
EM算法介绍
5.1.2. 并行化实施
5.2. LDA
5.2.1. 建模
5.2.2. 并行化实施
5.2.3. 大规模主题模型之观察(Peacock, LightLDA)
6. 无监督学习 — Neural Network Based Model
6.1. word2vec
6.1.1. 建模
6.1.2. 并行化实施
6.2. 神经网络语言模型
6.2.1. 建模
6.2.2. 并行化实施
第三部分 效果评估
7. Business-Independent指标
Precision/Recall/F1 Score/AUC/ROC
8. Business-Dependent指标
CTR/CVR/RPM/BLEU
第四部分 特征工程模块
9. 特征归一化
10. 特征离散化
11. 特征组合
第五部 前沿机器学习平台技术探讨
12. Parameter Server
13. GPU
14. Open-source 分布式机器学习平台观察
Pettum/DMLC/Spark MLLib/GraphLab
第六部分 总结
15. 大规模机器学习平台研发工程师所需素养的思考
16. 机器学习平台演化历程之我见
行业各公司平台演化的观察
17. 新平台搭建的思考
0. 引言
1. 大规模机器学习平台的构成
第二部分 算法部分
2. 大规模机器学习常用开发范式
2.1. BSP
2.2. SSP (Bounded-Delay Algo)
2.3. Asynchronous Update
2.4. Data Parallelism
2.5. Model Parallelism
3. 有监督学习— 线性模型
3.1. Logistic Regression
3.1.1. 建模
3.1.2. 并行化实施
3.2. Support Vector Machine
3.2.1. 建模
Linear Kernel
Non-Linear Kernel
3.2.2. 并行化实施
3. 有监督学习— 非线性模型
3.1. Decision Tree
3.1.1. 建模
3.1.2. 并行化实施
3.2. Gradient Boosted Decision Tree
3.2.1. 建模
3.2.2. 并行化实施
3.3. Random Forest
3.3.1. 建模
3.3.2. 并行化实施
4. 无监督学习— 聚类
4.1. K-Means
4.1.1. 建模
4.1.2. 并行化实施
4.2. 层次聚类
4.2.1. 建模
4.2.2. 并行化实施
5. 无监督学习— 主题模型
5.1. PLSA
5.1.1. 建模
EM算法介绍
5.1.2. 并行化实施
5.2. LDA
5.2.1. 建模
5.2.2. 并行化实施
5.2.3. 大规模主题模型之观察(Peacock, LightLDA)
6. 无监督学习 — Neural Network Based Model
6.1. word2vec
6.1.1. 建模
6.1.2. 并行化实施
6.2. 神经网络语言模型
6.2.1. 建模
6.2.2. 并行化实施
第三部分 效果评估
7. Business-Independent指标
Precision/Recall/F1 Score/AUC/ROC
8. Business-Dependent指标
CTR/CVR/RPM/BLEU
第四部分 特征工程模块
9. 特征归一化
10. 特征离散化
11. 特征组合
第五部 前沿机器学习平台技术探讨
12. Parameter Server
13. GPU
14. Open-source 分布式机器学习平台观察
Pettum/DMLC/Spark MLLib/GraphLab
第六部分 总结
15. 大规模机器学习平台研发工程师所需素养的思考
16. 机器学习平台演化历程之我见
行业各公司平台演化的观察
17. 新平台搭建的思考
相关文章推荐
- android studio入门
- 新建一个Activity通过按钮打开它,再通过按钮关闭它
- 中国大学MOOC-陈越、何钦铭-数据结构 统计工龄
- 英语学习不能断
- C++实现图的十字链表表示及相关各算法
- 代理者模式----设计模式系列
- iOS系统开发:打电话、发短信
- 电压电流到底是什么?
- ubuntu学习小结(2)
- 碰撞检测
- jquery 获取及设置input各种类型的值
- ThreadLocal讲解
- property declaration 属性声明
- 显式Intent与隐式Intent
- 近三月杂谈
- DL:RBM 简介、网络结构
- [转]SQL查询语句中的 limit offset
- web页面中可以包含多个对象
- 汇编(五)
- Codeforces Round #273 (Div. 2)C. Table Decorations 数学