Machine Learning: A Quantitative Approach (dhl)
暫譯: 機器學習:量化方法
Henry H Liu
- 出版商: CreateSpace Independent Publishing Platform
- 出版日期: 2018-03-12
- 售價: $1,855
- 貴賓價: 9.9 折 $1,836
- 語言: 英文
- 頁數: 481
- 裝訂: Paperback
- ISBN: 1986487520
- ISBN-13: 9781986487528
-
相關分類:
Machine Learning
立即出貨(限量) (庫存=1)
買這商品的人也買了...
-
$350$315 -
$4,180$3,971 -
$1,617Computer Organization and Design: The Hardware/Software Interface, 5/e (Asian Edition)(IE-Paperback)
-
$653Linux 多線程服務端編程:使用 muduo C++ 網絡庫
-
$354$336 -
$199FPGA 深度解析
-
$699$594 -
$780$616 -
$540$459 -
$380$296 -
$352碼農翻身
-
$480$379 -
$880$748 -
$520$406 -
$301scikit-learn 機器學習, 2/e (Mastering Machine Learning with scikit-learn, 2/e)
-
$862UNIX 環境高級編程, 3/e
-
$286Vivado 從此開始 (進階篇)
-
$301FPGA 系統設計
-
$580$458 -
$1,188Arduino Software Internals: A Complete Guide to How Your Arduino Language and Hardware Work Together
-
$414$393 -
$390$371 -
$352Xilinx FPGA 開發實用教程, 2/e
-
$680$537 -
$294$279
相關主題
商品描述
Machine learning is a newly-reinvigorated field. It promises to foster many technological advances that may improve the quality of our life significantly, from the use of latest, popular, high-gear gadgets such as smart phones, home devices, TVs, game consoles and even self-driving cars, and so on, to even more fun social and shopping experiences. Of course, for all of us in the circles of high education, academic research and various industrial fields, it offers more challenges and more opportunities.
商品描述(中文翻譯)
**更新於 2018年4月24日**:包含 YOLOv3(You Only Look Once)範例 - 這是最先進的卷積神經網絡模型 - 已上傳至本書的下載網站 www.perfmath.com。還提供了如何獲取 YOLO 的調用圖以及如何使用 macOS 上的 Instruments 工具理解 YOLO 實現的說明。
=========
機器學習是一個重新振興的領域。它承諾促進許多技術進步,這些進步可能顯著改善我們的生活質量,從最新、流行的高端小工具,如智能手機、家庭設備、電視、遊戲主機,甚至自駕車等,到更有趣的社交和購物體驗。當然,對於我們這些在高等教育、學術研究和各種工業領域的人來說,它提供了更多的挑戰和機會。
無論您是正在修讀機器學習課程的計算機科學學生,還是目標獲得機器學習學位的學生,或是進入機器學習領域的科學家或工程師,本書都能幫助您快速且系統地掌握機器學習。通過採用定量方法,您將能夠在最短的時間內掌握許多機器學習的核心概念、算法、模型、方法論、策略和最佳實踐。在整本書中,您將獲得適當的文字解釋和圖形展示,不僅增強了相關數學的嚴謹性、簡潔性和必要性,還提供了高質量的範例,涵蓋傳統機器學習模型和深度學習模型。
本書鼓勵您在掌握各種機器學習模型背後的嚴謹數學基礎時,採取實踐的方法。具體來說,本書幫助您:
* 理解機器學習可以解決的問題
* 理解各種機器學習模型,以及每個模型的優勢和限制
* 理解各種主要機器學習算法的運作原理,以便能夠更有效率地優化、調整和配置各種模型
* 理解幾種最先進的神經網絡架構,如卷積神經網絡(CNNs)、遞歸神經網絡(RNNs)和自編碼器(AEs)等
通過本書,您不僅將學習機器學習的運作原理,還將學習一些最受歡迎的機器學習/深度學習框架,如 sklearn、Caffe 和 Keras/TensorFlow,以進行實際的機器學習工作。作者的目標是,在您完成本書後,應能立即開始各種嚴肅的機器學習項目,無論是使用傳統的機器學習模型還是最先進的深度神經網絡模型。