機器學習入門｜從玻爾茲曼機械學習到深度學習
大関真之 許郁文
- 出版商: 碁峰 樂讀 精選單書79 兩書75折(部分除外)
- 出版日期: 2018-04-17
- 定價: $380
- 售價: 7.9 折 $300
- 語言: 繁體中文
- 頁數: 240
- ISBN: 9864767771
- ISBN-13: 9789864767779
-
相關分類:
Machine Learning、DeepLearning
立即出貨 (庫存 < 8)
買這商品的人也買了...
-
$305圖解機器學習 -
程序員的數學3 : 線性代數$474$450 -
TensorFlow + Keras 深度學習人工智慧實務應用$590$460 -
白話大數據與機器學習$480$379 -
$958深度學習 -
Deep Learning｜用 Python 進行深度學習的基礎理論實作$580$458 -
初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)$480$379 -
演算法圖鑑：26種演算法 + 7種資料結構，人工智慧、數據分析、邏輯思考的原理和應用 step by step 全圖解$450$356 -
為你自己學 Git$500$390 -
初探機器學習演算法$480$379 -
Python 入門邁向高手之路王者歸來$699$594 -
圖解區塊鏈$380$323 -
圖說演算法 : 使用 Python$380$296 -
超端領先 科技未來-智慧系統概論$490$417 -
人人可作卡米狗：從零打造自己的 LINE 聊天機器人$500$390 -
文科生也看得懂的資料科學$380$300 -
Effective DevOps 中文版 (Effective DevOps: Building a Culture of Collaboration, Affinity, and Tooling at Scale)$720$569 -
大數據時代一定要會的 SQL 商業資料分析術$680$578 -
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 -
給工程師的第一本理財書：程式金融交易的 118個入門關鍵技巧$500$390 -
人工智能基礎 (高中版)$210$200 -
Deep Learning 深度學習基礎｜設計下一代人工智慧演算法 (Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms)$620$490 -
圖解 AI 人工智慧大未來：關於人工智慧一定要懂得 96 件事$380$323 -
練好機器學習的基本功｜用 Python 進行基礎數學理論的實作$450$383 -
深度學習入門教室：6堂基礎課程 + Python 實作練習，Deep Learning、人工智慧、機器學習的理論和應用全圖解$550$468
相關主題
商品描述
用最親切的方式，告訴你機器學習到底是在學什麼
．日本IT技術書部門大賞2018年得獎作品
．以輕鬆有趣的對話方式進行，沒有艱澀難懂的文字
．用生活化的譬喻解說機器學習的原理
．簡單易懂的插圖解說，非專業人士也能藉由本書理解機器學習
機器學習正處於不斷演化的階段，本書將其中的玻爾茲曼機械學習與深度學習。所謂的玻爾茲曼機械學習是欣賞各種圖片，記憶世上風景的技術。即使是有點模糊或部分被遮住的圖片，人類也能立刻了解圖片的內容。這是因為人類能斟酌過去的經驗與現在的狀況，了解圖片的內容，現在已經能讓電腦搭載這種技術了。應用這種基本技術的就是玻爾茲曼機械學習，也就是在電腦打造睛與腦部記憶的構造。深度學習則是在這項技術加上腦部判斷能力，讓電腦根據周遭的情況做出這個是這樣，那個是之前看過的那個的判斷技術。
目錄大綱
第1章｜什麼都不懂的鏡子
1.1 魔鏡與皇后
1.2 試著機械學習
Column 機械學習是什麼？
1.3 根據資料學習
Column 機械的自主學習
第2章｜美麗的祕訣
2.1 魔鏡的答案
Column 數學的必要性
2.2 挑戰迴歸問題
Column 機械也跟人類一樣？
2.3 代表美麗的函數
Column 機械也有老師
第3章｜挑戰最佳化問題
3.1 皇后全力衝刺！
Column 從演算法多學一點
3.2 模型的極限
Column 訓練資料與測試資料
3.3 建立新的特徵值
Column 如何建立困難的函數？
3.4 神經網路
Column 大腦的資訊處理機構
第4章｜挑戰深度學習
4.1 推桿推不動了？
Column 深度學習的風潮
4.2 注意過擬合
Column 機械學習就是與過擬合戰鬥
4.3 批次學習與在線學習
Column 隨機梯度下降法的復活
第5章｜預測未來
5.1 識別的鏡子
5.2 尋找分界線
Column 支持向量機的泛化能力
5.3 原本就能分離嗎？
Column 扭曲空間的核心函數
5.4 填補資料的缺漏
Column 資料的本質
5.5 掌握資料的本質
Column 稀疏性與人類的直覺
第6章｜映出美麗的鏡子
6.1 珍貴的圖片資料
Column 利用磁鐵進行機械學習？
6.2 玻爾茲曼機械學習的影像處理
Column 機械學習與統計力學
6.3 能辨識更複雜的特徵嗎？
Column 變分原理
6.4 使用隱藏變數，打造多元世界
Column 採樣專用機器登場
6.5 複雜資料的真面目
Column 辛頓先生的意志力
第7章｜只找出臉部的美麗度
7.1 知道世上所有事情的魔鏡
7.2 魔鏡啊魔鏡、魔鏡先生
