不靠框架硬功夫 - Scikit-learn 手刻機器學習每行程式碼
鄧立國、郭雅秋、陳子堯、鄧淇文 著
- 出版商: 深智-精選2書75折 滿1111再折111
- 出版日期: 2022-12-20
- 定價: $780
- 售價: 8.5 折 $663
- 語言: 繁體中文
- 頁數: 368
- ISBN: 6267146731
- ISBN-13: 9786267146736
-
相關分類:
Machine Learning
- 此書翻譯自: scikit-learn 機器學習實戰
立即出貨 (庫存 < 9)
買這商品的人也買了...
-
無瑕的程式碼－整潔的軟體設計與架構篇 (Clean Architecture: A Craftsman's Guide to Software Structure and Design)$580$452 -
精通嵌入式 Linux 程式設計 (暢銷回饋版)$620$484 -
必學！Python 資料科學‧機器學習最強套件 － NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras$680$537 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
跟著 Docker 隊長，修練 22天就精通 - 搭配 20小時作者線上教學，無縫接軌 Microservices、Cloud-native、Serverless、DevOps 開發架構$880$695 -
Keras 大神歸位：深度學習全面進化！用 Python 實作 CNN、RNN、GRU、LSTM、GAN、VAE、Transformer$1,200$948 -
大話 Flutter 跨平台應用開發 -- 入門篇：物聯網、邊緣計算、多載具應用，新世代萬用技能$620$465 -
Solidity 實戰全書：完整掌握智能合約！成為獨立開發 Dapp 的區塊鏈工程師$650$507 -
機器學習聖經：最完整的統計學習方法$880$695 -
AI 必須！從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (Bayesian Statistics for Beginners: A Step-By-Step Approach)$1,200$948 -
會動的演算法：61 個演算法動畫＋全圖解逐步拆解，人工智慧、資料分析必備$620$490 -
$2,835Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, 3/e (Paperback) -
$454基於 TensorFlow 的圖像生成 -
$403動手學推薦系統 — 基於 PyTorch 的算法實現 (微課視頻版) -
看完這本就會懂！帶你無痛提升 JavaScript 面試力：精選 55道前端工程師的核心問題 × 求職加分模擬試題解析$680$530 -
Python 統計分析：生命科學應用 (An Introduction to Statistics with Python: With Applications in the Life Sciences)$500$390 -
科學方法賺大錢 - Python 進行商品期貨量化交易$720$569 -
大話設計模式：JAVA 風雲再起彩色加強版$880$695 -
凡人也能懂的白話人工智慧演算法 (Grokking Artificial Intelligence Algorithms)$580$458 -
SQL 學習手冊｜資料建立、維護與檢索, 3/e (Learning SQL: Generate, Manipulate, and Retrieve Data, 3/e)$620$490 -
一本精通 - LINE BOT + Python + Google Dialogflow 完整掌握 LINE BOT 的開發技巧 打造全方位 AI機器人$650$514 -
Java 開發者的 DevOps 工具 (Devops Tools for Java Developers: Best Practices from Source Code to Production Containers)$580$458 -
Python：股票 × ETF 量化交易實戰 105個活用技巧$660$515 -
Scikit-learn 詳解與企業應用：機器學習最佳入門與實戰$880$695 -
精通機器學習｜使用 Scikit-Learn , Keras 與 TensorFlow, 3/e (Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, 3/e)$1,200$948
相關主題
商品描述
★ ML 最強套件 scikit-learn ✕ 經典演算法，帶領你徹底攻略所有 ML 必備理論與實踐技能！
【本書內容】
機器學習是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。其研究電腦模擬或實現人類的學習行為，獲取新的知識，重新組合現有知識結構並改善自身的效能。
本書針對機器學習領域描述了多個學習模型、策略、演算法、理論以及應用，以 Python 3 為基礎，使用 scikit-learn 解決實際問題。
全書完整介紹機器學習基本概念、演算法流程、模型建構、資料訓練、模型評估與最佳化、必備工具和實現方法，並佐以實際案例，以機器學習的經典演算法為軸線：演算法分析 ▶ 資料獲取 ▶ 模型建構 ▶ 推斷 ▶ 演算法評估，讓你理論與實踐技能一次學會，輕易上手。
【本書特色】
ML 的最佳參考書，scikit-learn 的最紮實實戰應用，亦為深入 AI 技術的優良基礎！
● 機器學習概述
● 資料特徵提取
● scikit-learn 估計器分類
● 單純貝氏分類
● 簡單線性迴歸到多元線性迴歸
● k 近鄰演算法分類
● 線性迴歸到邏輯迴歸
● 非線性分類與決策樹迴歸
● 決策樹到隨機森林
● 感知機到支持向量機
● 從感知機到類神經網路
● 主成分分析降維
作者簡介
鄧立國
東北大學計算機應用博士畢業。廣東工業大學任教，主要研究方向：數據挖掘、知識工程、大數據處理、雲計算、分佈式計算等。著有圖書《scikit-learn 機器學習實戰》、《Python 數據分析與挖掘實戰》、《Python 大數據分析算法與實例》、《Python 機器學習算法與應用》、《數據庫原理與應用（SQL Server 2016 版本）》等圖書。
目錄大綱
01 機器學習概述
1.1 什麼是機器學習
1.2 機器學習的作用領域
1.3 機器學習的分類
1.4 機器學習理論基礎
1.5 機器學習應用程式開發的典型步驟
1.6 本章小結
1.7 複習題
02 機器學習之資料特徵
2.1 資料的分佈特徵
2.2 資料的相關性
2.3 資料的聚類性
2.4 資料主成分分析
2.5 資料動態性及其分析模型
2.6 資料視覺化
2.7 本章小結
2.8 複習題
03 用scikit-learn 估計器分類
3.1 scikit-learn 基礎
3.2 scikit-learn 估計器
3.3 本章小結
3.4 複習題
04 單純貝氏分類
4.1 演算法原理
4.2 單純貝氏分類
4.3 單純貝氏分類實例
4.4 單純貝氏連續值的處理
4.5 本章小結
4.6 複習題
05 線性回歸
5.1 簡單線性回歸模型
5.2 分割資料集
5.3 用簡單線性回歸模型預測考試成績
5.4 本章小結
5.5 複習題
06 用 k 近鄰演算法分類和回歸
6.1 k 近鄰演算法模型
6.2 用 k 近鄰演算法處理分類問題
6.3 用 k 近鄰演算法對鳶尾花進行分類
6.4 用 k 近鄰演算法進行回歸擬合
6.5 本章小結
6.6 複習題
07 從簡單線性回歸到多元線性回歸
7.1 多變數的線性模型
7.2 模型的最佳化
7.3 用多元線性回歸模型預測波士頓房價
7.4 本章小結
7.5 複習題
08 從線性回歸到邏輯回歸
8.1 邏輯回歸模型
8.2 多元分類問題
8.3 正則化項
8.4 模型最佳化
8.5 用邏輯回歸演算法處理二分類問題
8.6 辨識手寫數字的多元分類問題
8.7 本章小結
8.8 複習題
09 非線性分類和決策樹回歸
9.1 決策樹的特點
9.2 決策樹分類
9.3 決策樹回歸
9.4 決策樹的複雜度及使用技巧
9.5 決策樹演算法：ID3、C4.5 和CART
9.6 本章小結
9.7 複習題
10 整合方法：從決策樹到隨機森林
10.1 Bagging 元估計器
10.2 由隨機樹組成的森林
10.3 AdaBoost
10.4 梯度提升回歸樹
10.5 本章小結
10.6 複習題
11 從感知機到支援向量機
11.1 線性支援向量機分類
11.2 非線性支援向量機分類
11.3 支援向量機回歸
11.4 本章小結
11.5 複習題
12 從感知機到類神經網路
12.1 從神經元到類神經元
12.2 感知機
12.3 多層感知機
12.4 本章小結
12.5 複習題
13 主成分分析降維
13.1 資料的向量表示及降維問題
13.2 向量的表示及基變換
13.3 協方差矩陣及最佳化目標
13.4 PCA 演算法流程
13.5 PCA 實例
13.6 scikit-learn PCA 降維實例
13.7 核心主成分分析KPCA 簡介
13.8 本章小結
13.9 複習題
A 參考文獻
