hiskio

    初探機器學習演算法

    熱門資料科學與機器學習演算法學習指南 本書介紹並說明資料科學領域常見且重要的機器學習演算法，這些演算法可用於監督式與非監督學習、強化學習與半監督式學習。書中所討論的演算法包括線性迴歸、logistic迴歸、SVM、樸素貝氏、k-means、隨機森林、TensorFlow與特徵工程。 你將會學到如何使用這些演算法來解決問題，以及它們的工作原理。同時也會介紹自然語言處理與推薦系統，以

    收集中
    US$10.51

    熱門資料科學與機器學習演算法學習指南


    本書介紹並說明資料科學領域常見且重要的機器學習演算法，這些演算法可用於監督式與非監督學習、強化學習與半監督式學習。書中所討論的演算法包括線性迴歸、logistic迴歸、SVM、樸素貝氏、k-means、隨機森林、TensorFlow與特徵工程。


    你將會學到如何使用這些演算法來解決問題，以及它們的工作原理。同時也會介紹自然語言處理與推薦系統，以協助同時執行多種演算法。


    最後將會知道如何挑選正確的機器學習演算法，來為你的問題進行分群、分類或迴歸。


    你將學會：

    • 熟悉機器學習的重要元素

    • 瞭解特徵選擇與特徵工程流程

    • 平衡線性迴歸的效能與誤差

    • 建立資料模型，與使用各種類型的演算法來瞭解它的工作方式

    • 微調SVM的參數

    • 實作資料集的群聚

    • 探索自然語言處理與推薦系統的概念

    • 從零開始建立機器學習架構


    章節目錄

    1-1封面
    1-2書名頁
    1-3作者簡介
    1-4校閱簡介
    1-5目錄
    1-6前言
    1-7CH1 機器學習簡介
    1-8簡介—傳統與自我調整機器
    1-9學習才是最重要的
    1-10監督式學習
    1-11非監督式學習
    1-12強化學習
    1-13超越機器學習—深度學習與受生物啟發的自我調整系統
    1-14資料學習與大數據
    1-15進階讀物
    1-16總結
    1-17CH2 機器學習的重要元素
    1-18資料格式
    1-19多類別策略
    1-20可學習性
    1-21欠擬與過擬
    1-22誤差測量
    1-23PAC學習
    1-24統計學習方法
    1-25MAP學習
    1-26最大似然學習
    1-27資訊理論元素
    1-28參考文獻
    1-29總結
    1-30CH3 特徵選擇與特徵工程
    1-31scikit-learn玩具資料集
    1-32建立訓練與測試集合
    1-33管理分類資料
    1-34管理遺漏的特徵
    1-35資料縮放與標準化
    1-36選擇特徵與過濾
    1-37主成分分析
    1-38非負矩陣分解
    1-39稀疏PCA
    1-40核PCA
    1-41原子擷取與字典學習
    1-42參考文獻
    1-43總結
    1-44CH4 線性迴歸
    1-45線性模型
    1-46二維範例
    1-47使用scikit-learn與較高維度來做線性迴歸
    1-48迴歸分析運算式
    1-49Ridge、Lasso與ElasticNet
    1-50使用隨機抽樣一致法的穩健迴歸
    1-51多項式迴歸
    1-52保序迴歸
    1-53參考文獻
    1-54總結
    1-55CH5 Logistic迴歸
    1-56線性分類
    1-57Logistic迴歸
    1-58實作與最佳化
    1-59隨機梯度下降演算法
    1-60使用格點搜尋來找出最佳超參數
    1-61分類度量
    1-62ROC曲線
    1-63總結
    1-64CH6 樸素貝氏
    1-65貝氏定理
    1-66樸素貝氏分類器
    1-67scikit-learn的樸素貝氏
    1-68白努力樸素貝氏
    1-69多項式樸素貝氏
    1-70高斯樸素貝氏
    1-71參考文獻
    1-72總結
    1-73CH7 支援向量機
    1-74線性支援向量機
    1-75scikit-learn實作
    1-76線性分類
    1-77核式分類
    1-78非線性範例
    1-79受控支援向量機
    1-80支援向量迴歸
    1-81參考文獻
    1-82總結
    1-83CH8 決策樹與整體學習
    1-84二元決策樹
    1-85二元決策
    1-86不純度度量
    1-87特徵重要性
    1-88使用scikit-learn來做決策樹分類
    1-89整體學習
    1-90隨機森林
    1-91AdaBoost
    1-92梯度樹提升
    1-93投票分類器
    1-94參考文獻
    1-95總結
    1-96CH9 分群基礎
    1-97分群基本概念
    1-98K-means
    1-99DBSCAN
    1-100譜分群
    1-101採用地真來評價方法
    1-102同質性
    1-103完整性
    1-104調整蘭德指數
    1-105參考文獻
    1-106總結
    1-107CH10 階層式分群
    1-108階層式策略
    1-109聚合式分群
    1-110樹狀圖
    1-111scikit-learn的聚合式分群
    1-112連接限制
    1-113參考文獻
    1-114總結
    1-115CH11 推薦系統簡介
    1-116以使用者為基礎的稚嫩系統
    1-117以scikit-learn來實作以使用者為基礎的系統
    1-118以內容為基礎的系統
    1-119無模型（或基於記憶）的協同過濾
    1-120模型式協同過濾
    1-121奇異值分解法
    1-122交錯最小平方法
    1-123使用Apache Spark MLlib做交錯最小平方法
    1-124參考文獻
    1-125總結
    1-126CH12 自然語言處理簡介
    1-127NLTK與內建的語料庫
    1-128語料庫範例
    1-129詞袋策略
    1-130基元化
    1-131移除剔除字
    1-132詞幹分析
    1-133向量化
    1-134採用Reuters語料庫的樣本文字分類器
    1-135參考文獻
    1-136總結
    1-137CH13 NLP的主題建模與情緒分析
    1-138主題建模
    1-139潛在語義分析
    1-140機率性潛在語義分析
    1-141潛在狄利克雷分配
    1-142情緒分析
    1-143使用NLTK來做VADER情緒分析
    1-144參考文獻
    1-145總結
    1-146CH 14 深度學習與TensorFlow簡介
    1-147深度學習簡介
    1-148人工神經網路
    1-149深度架構
    1-150TensorFlow簡介
    1-151計算梯度
    1-152Logistic迴歸
    1-153使用多層感知器來分類
    1-154影像摺積
    1-155Keras簡介
    1-156參考文獻
    1-157總結
    1-158CH 15 建立機器學習架構
    1-159機器學習架構
    1-160資料收集
    1-161正規化
    1-162降維
    1-163資訊擴充
    1-164資料轉換
    1-165建模/格點搜尋/交叉驗證
    1-166視覺化
    1-167用於機器學習架構的scikit-learn工具
    1-168管道
    1-169特徵聯集
    1-170參考文獻
    1-171總結
    1-172索引
    1-173版權頁
    1-174封底

    常見問答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台，在【我的學習】＞【我的書籍】頁面，選擇想看的電子書。

    猜你喜歡

    用戶評價

    | 收集中

    銷售方案