站穩 AI 大師的第一步：最直覺機器學習
王聖元
- 出版商: 深智
- 出版日期: 2020-05-20
- 定價: $780
- 售價: 8.5 折 $663
- 語言: 繁體中文
- 頁數: 448
- 裝訂: 平裝
- ISBN: 9865501325
- ISBN-13: 9789865501327
-
相關分類:
Machine Learning
- 此書翻譯自: 快樂機器學習
已絕版
買這商品的人也買了...
-
編碼 -- 隱匿在電腦軟硬件背後的語言 (Code: The Hidden Language of Computer Hardware and Software)$534$507 -
More Effective C# 中文版 | 寫出良好 C#程式的 50個具體做法, 2/e (More Effective C# : 50 Specific Ways to Improve Your C#, 2/e)$450$356 -
Python 資料科學與人工智慧應用實務$650$585 -
$250電腦科學精粹 (Computer Science Distilled) -
Python 網路爬蟲：大數據擷取、清洗、儲存與分析 -- 王者歸來$650$514 -
強者用 PyTorch：實作史上最經典 AI 範例$690$587 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$493 -
C# 程式設計入門與實務：百分百自學手冊 (最新 Visual Studio 2019 版)$690$538 -
打下最紮實的 AI基礎：從 scikit-learn 一步一腳印 (絕賣版)$560$476 -
scikit-learn 新手的晉級：實作各種機器學習解決方案 (Mastering Machine Learning with scikit-learn, 2/e)$500$390 -
矽谷工程師爬蟲手冊：用 Python 成為進階高手$890$703 -
深度學習的數學：用數學開啟深度學習的大門 (書況略舊,不介意在下單)$500$390 -
用 LINE、FB、IG 聊出好英文：只要100個日常小話題，英語能力大跳級！(MP3線上下載與QR Code)$320$253 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$493 -
行動裝置上的 AI：使用 TensorFlow on iOS Android 及樹莓派$680$449 -
東京大學資料科學家養成全書：使用 Python 動手學習資料分析$780$702 -
生成深度學習｜訓練機器繪畫、作曲、寫作與玩遊戲 (Generative Deep Learning)$580$458 -
Python 面試題目與解答 -- 邁向高薪之路$690$455 -
$505人臉識別與美顏算法實戰：基於 Python、機器學習與深度學習 -
大師帶你立即上手：機器學習+人工智慧一點也不難$780$663 -
Python 資料可視化之美：極專業圖表製作高手書 (全彩印刷)$780$616 -
$556阿裡雲天池大賽賽題解析 — 機器學習篇 -
預測之美：機器學習及深度學習真實生活應用$780$663 -
30分鐘就讀懂：機器學習從數學開始$590$466 -
$297可解釋機器學習：黑盒模型可解釋性理解指南
相關主題
商品描述
本書特色
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
內容簡介
本書重點
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
◎ 線性、非線性、整合模型說明
◎ 線性回歸怎麼來的，邏輯回歸怎麼走的，正規化
◎ 支援向量機精華，決策樹以及單純貝氏定理
◎ 神經網路及正反向傳播的推導
◎ 整合學習的來龍去脈，隨機森林和提升樹
◎ xgboost極度梯度提升
本書主要內容
學習並精通任何一門學科無外乎要經過四個步驟：它是什麼？它可行嗎？怎麼學它？如何學好它？機器學習也不例外，本書就以這四個步驟來介紹機器學習。
每一章都以通俗的引言開始，吸引讀者；以精美的思維導圖過渡，讓說明想法更清晰；以簡要的歸納結束，讓讀者加強所學的知識。理論和實作相結合，既有嚴謹的數學推導，又有多樣（Python 和MATLAB）的程式展示，圖文並茂。
前3 章屬於機器學習的概述。作者在這3 章花費的時間最多，絕對讓讀者有所收穫。
第4～14 章介紹「如何學好機器學習」，重點介紹機器學習的各種演算法和調參技巧。
第1章「機器學習是什麼」，從定義開始，詳細介紹機器學習有關的知識、資料和效能度量。
第2章「機器學習可行嗎」，介紹機器具備學習樣本以外的資料的能力。
第3章「機器學習怎麼學」，介紹機器如何選擇出最佳模型。
第4～8章 介紹線性模型，包含線性回歸模型、對率回歸模型、正規化回歸模型、支援向量機模型。
第9～11章 介紹非線性模型，包含單純貝氏模型、決策樹模型、類神經網路模型、正向/反向傳播模型。
第12～14章 介紹整合模型，包含隨機森林模型、提升樹模型、極度梯度提升模型。
第15章 介紹機器學習中的一些非常實用的經驗，包括學習策略、目標設定、誤差分析、偏差和方差分析。
適合讀者群：機器學習初學者、對機器學習感興趣者，或大專院校相關科系學生。
作者簡介
王聖元
金融風險管理師；特許另類投資分析師。
學習及工作經歷：現任新加坡某金融諮詢公司總監。擁有新加坡國立大學
量化金融學士學位和金融數學碩士學位。
自我學習過程：獲得金融風險管理師 (FRM) 和特許另類投資分析師 (CAIA)認證，及 Coursera 頒發的機器學習、深度學習和TensorFlow實戰的認證。
平時堅持寫作，是公眾號「王的機器」的主理人，分享了關於金融工程、機器學習和量化投資的文章。
信念：“Yearning for Learning, Leading by Reading, Distilling by Writing.」（多學多讀多寫，終身渴望學習，通過讀書保持領先，通過寫作用心灌輸。）
目錄大綱
目錄
前言
01 | 機器學習是什麼--機器學習定義
1.1 資料
1.2 機器學習類別
1.3 效能度量
1.4 歸納
參考資料
02 | 機器學習可行嗎--計算學習理論
2.1 基礎知識
2.2 核心推導
2.3 結論應用
2.4 歸納
參考資料
技術附錄
03 | 機器學習怎麼學--模型評估選擇
3.1 模型評估
3.2 訓練誤差和測試誤差
3.3 驗證誤差和交換驗證誤差
3.4 誤差剖析
3.5 模型選擇
3.6 歸納
參考資料
技術附錄
04 | 線性回歸
4.1 基礎知識
4.2 模型介紹
4.3 歸納
參考資料
05 | 邏輯回歸
5.1 基礎內容
5.2 模型介紹
5.3 歸納
參考資料
06 | 正規化回歸
6.1 基礎知識
6.2 模型介紹
6.3 歸納
參考資料
07 | 支援向量機
7.1 基礎知識
7.2 模型介紹
7.3 歸納
參考資料
技術附錄
08 | 單純貝氏
8.1 基礎知識
8.2 模型介紹
8.3 歸納
參考資料
技術附錄
09 | 決策樹
9.1 基礎知識
9.2 模型介紹
9.3 歸納
參考資料
10 | 類神經網路
10.1 基礎
10.2 模型應用
11 | 正向/反向傳播
11.1 基礎知識
11.2 演算法介紹
11.3 歸納
參考資料
技術附錄
12 | 整合學習
12.1 結合假設
12.2 裝袋法
12.3 提升法
12.4 整合方式
12.5 歸納
參考資料
13 | 隨機森林和提升樹
13.1 基礎知識
13.2 模型介紹
13.3 歸納
參考資料
14 | 極度梯度提升
14.1 基礎知識
14.2 模型介紹
14.3 歸納
參考資料
15 | 本書歸納
15.1 正交策略
15.2 單值評估指標
15.3 偏差和方差
A | 結語
