本文将基于保险欺诈场景案例讲解如何进行有效的图挖掘，并将挖掘到的信息提供给AI模型，辅助精准检测和识别商业保险欺诈。💡 作者：韩信子@ShowMeAI📘 机器学习实战系列：[链接]📘 本文地址：[链接]📢 声明：版权所有，转载请联系平台与作者并注明出处📢 收藏ShowMeAI查看更多精彩内容保险欺诈是一个巨大的问题，保险业长期以...

本文介绍AI模型适用于小型本地设备上的方法技术：压缩模型参数量，设计更小的模型结构，知识蒸馏，调整数据格式，数据复用等，并介绍移动小处理设备的类型、适用移动设备的模型框架等。

音乐领域，借助于歌曲相关信息，模型可以根据歌曲的音频和歌词特征，将歌曲精准进行流派分类。本文讲解如何基于机器学习完成对音乐的识别分类。💡 作者：韩信子@ShowMeAI📘 数据分析实战系列：[链接]📘 机器学习实战系列：[链接]📘 本文地址：[链接]📢 声明：版权所有，转载请联系平台与作者并注明出处📢 收藏ShowMeAI查看更多...

我们经常会谈到工业界端到端的机器学习建模，所谓端到端，是指的把整个过程构建在一个完整的流程（比如pipeline管道）中，包括数据侧的处理、模型建模调优，及模型部署应用等环节，如我们之前所说，完整的机器学习开发流程如下：

一份来自『RESEARCH AND MARKETS』的二手车报告预计，从 2022 年到 2030 年，全球二手车市场将以 6.1% 的复合年增长率增长，到 2030 年达到 2.67 万亿美元。人工智能技术的广泛使用增加了车主和买家之间的透明度，提升了购买体验，极大地推动了二手车市场的增长。

Sparkify 是一个音乐流媒体平台，用户可以获取部分免费音乐资源，也有不少用户开启了会员订阅计划（参考QQ音乐），在Sparkify中享受优质音乐内容。

我们在应用机器学习模型时，除了最终效果，也非常关注它们的性能。而机器学习模型的性能，不仅仅取决于我们的应用方式（特征多少、模型复杂度），也和硬件息息相关。

自动化机器学习，也称为自动化 ML 或 AutoML，是自动化完成开发耗时且需要反复迭代的机器学习建模过程。它让数据科学家、分析师和开发人员轻松构建具有高规模、高效率和生产力的机器学习模型，同时保持模型质量。

💡 作者：韩信子@ShowMeAI📘 深度学习实战系列：[链接]📘 NLP 实战系列：[链接]📘 本文地址：[链接]📢 声明：版权所有，转载请联系平台与作者并注明出处📢 收藏ShowMeAI查看更多精彩内容我们在日常业务中遇到的很多问题，都可以归属到时间序列范畴内——股市涨跌变化、电商销量预测、传染病传播挖掘等，其实都可以用『时间序列』...

低代码开发，顾名思义，指的是软件开发过程中只需要编写少量代码就够了。与传统开发方式相比，低代码大幅减少了编写代码的工作量，这使其具备了更快的速度、更短的开发时间与更低的成本。

ShowMeAI日报系列全新升级！覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 历史文章列表，在公众号内订阅话题 #ShowMeAI资讯日报，可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

作者：韩信子@ShowMeAI教程地址：[链接]本文地址：[链接]声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在 这里 查看。更多资料获取方式见文末。引言目标检测 （ O...

作者：韩信子@ShowMeAI教程地址：[链接]本文地址：[链接]声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在 这里 查看。更多资料获取方式见文末。引言ShowMeAI在前...

作者：韩信子@ShowMeAI教程地址：[链接]本文地址：[链接]声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在 这里 查看。更多资料获取方式见文末。本篇重点RNN的概念...

作者：韩信子@ShowMeAI教程地址：[链接]本文地址：[链接]声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为 斯坦福CS231n《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在 这里 查看。更多资料获取方式见文末。引言图像分类是计算...

在前序系列文章中大家跟着ShowMeAI一起学习了如何构建机器学习应用。我们构建一个机器学习模型解决方案baseline很容易，但模型选择和泛化性能优化是一项艰巨的任务。选择合适的模型并是一个需要高计算成本、时间和精力的过程。

在ShowMeAI的文章 机器学习特征工程最全解读 里，我们给大家详细介绍了特征工程的操作，但我们实际上有很多工具可以辅助我们更快捷地完成特征工程，在本篇内容中，ShowMeAI给大家介绍Featuretools这个Python自动化特征工程的工具库。我们会借助于BigMart Sales数据集来演示自动化特征工程的相关应用。

上图为大家熟悉的机器学习建模流程图，ShowMeAI在前序机器学习实战文章 Python机器学习算法应用实践中和大家讲到了整个建模流程非常重要的一步，是对于数据的预处理和特征工程，它很大程度决定了最后建模效果的好坏，在本篇内容汇总，我们给大家展开对数据预处理和特征工程的实战应用细节做一个全面的解读。

同样还是Rossmann这个场景问题，ShowMeAI在上一篇 机器学习实战 | Python机器学习综合项目-电商销量预估 里给大家讲解了基本的数据探索性分析、数据预处理和建模过程，本篇我们再来看看这些过程，对其中一些细节做一些优化。

在本篇内容中，ShowMeAI将基于Kaggle数据科学竞赛平台的Rossmann store sales大数据竞赛项目，给大家梳理和总结，基于Python解决电商建模的全过程：包括数据探索分析、数据预处理与特征工程、建模与调优。

LightGBM是微软开发的boosting集成模型，和XGBoost一样是对GBDT的优化和高效实现，原理有一些相似之处，但它很多方面比XGBoost有着更为优秀的表现。

XGBoost是eXtreme Gradient Boosting的缩写称呼，它是一个非常强大的Boosting算法工具包，优秀的性能(效果与速度)让其在很长一段时间内霸屏数据科学比赛解决方案榜首，现在很多大厂的机器学习方案依旧会首选这个模型。XGBoost在并行计算效率、缺失值处理、控制过拟合、预测泛化能力上都变现非常优秀。

我们在上一篇SKLearn入门与简单应用案例里给大家讲到了SKLearn工具的基本板块与使用方法，在本篇内容中，我们展开讲解SKLearn的进阶与核心内容。SKLearn中有六大任务模块，如下图所示：分别是分类、回归、聚类、降维、模型选择和预处理。

在前面的机器学习案例中，我们使用了Python机器学习工具库Scikit-Learn，它建立在NumPy、SciPy、Pandas和Matplotlib之上，也是最常用的Python机器学习工具库之一，里面的API的设计非常好，所有对象的接口简单，很适合新手上路。ShowMeAI在本篇内容中对Scikit-Learn做一个介绍。

本篇文章希望带大家完整走一遍机器学习应用流程，我们会讲解到基于Python的机器学习算法，应用在结构化数据和非结构化数据(图像)上，希望通过文章内容帮助大家在案例中重温机器学习基础知识，并学习应用机器学习解决问题的基本流程。

本篇内容是ShowMeAI组织的「Python机器学习实战」系列教程入口，本教程尽量以案例和代码驱动的方式，帮助大家学习机器学习算法应用流程和各个链条环节，掌握构建场景建模解决方案并进行效果调优的能力。（想深入理解涉及的机器学习算法原理的同学，可以关注ShowMeAI的另外一个系列图解机器学习算法）

在互联网大数据场景下，我们经常需要面对高维数据，在对这些数据做分析和可视化的时候，我们通常会面对「高维」这个障碍。在数据挖掘和建模的过程中，高维数据也同样带来大的计算量，占据更多的资源，而且许多变量之间可能存在相关性，从而增加了分析与建模的复杂性。

聚类（Clustering）是最常见的无监督学习算法，它指的是按照某个特定标准（如距离）把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。

本篇我们要讲解的模型是大名鼎鼎的支持向量机SVM，这是曾经在机器学习界有着近乎「垄断」地位的模型，影响力持续了好多年。直至今日，即使深度学习神经网络的影响力逐渐增强，但SVM在中小型数据集上依旧有着可以和神经网络抗衡的极好效果和模型鲁棒性。

之前ShowMeAI对强大的boosting模型工具XGBoost做了介绍（详见ShowMeAI文章图解机器学习 | XGBoost模型详解）。本篇我们来学习一下GBDT模型（详见ShowMeAI文章 图解机器学习 | GBDT模型详解）的另一个进化版本：LightGBM。