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

    Collecting
    US$10.50

    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


    Content

    • 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
    • 1-7
      CH1 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
    • 1-17
      CH2 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
    • 1-23
      PAC學習
    • 1-24
      統計學習方法
    • 1-25
      MAP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
    • 1-30
      CH3 特徵選擇與特徵工程
    • 1-31
      scikit-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
    • 1-44
      CH4 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
    • 1-49
      Ridge、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
    • 1-55
      CH5 Logistic迴歸
    • 1-56
      線性分類
    • 1-57
      Logistic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
    • 1-62
      ROC曲線
    • 1-63
      總結
    • 1-64
      CH6 樸素貝氏
    • 1-65
      貝氏定理
    • 1-66
      樸素貝氏分類器
    • 1-67
      scikit-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
    • 1-73
      CH7 支援向量機
    • 1-74
      線性支援向量機
    • 1-75
      scikit-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
    • 1-83
      CH8 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
    • 1-91
      AdaBoost
    • 1-92
      梯度樹提升
    • 1-93
      投票分類器
    • 1-94
      參考文獻
    • 1-95
      總結
    • 1-96
      CH9 分群基礎
    • 1-97
      分群基本概念
    • 1-98
      K-means
    • 1-99
      DBSCAN
    • 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
    • 1-107
      CH10 階層式分群
    • 1-108
      階層式策略
    • 1-109
      聚合式分群
    • 1-110
      樹狀圖
    • 1-111
      scikit-learn的聚合式分群
    • 1-112
      連接限制
    • 1-113
      參考文獻
    • 1-114
      總結
    • 1-115
      CH11 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
    • 1-126
      CH12 自然語言處理簡介
    • 1-127
      NLTK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
    • 1-137
      CH13 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
    • 1-146
      CH 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
    • 1-150
      TensorFlow簡介
    • 1-151
      計算梯度
    • 1-152
      Logistic迴歸
    • 1-153
      使用多層感知器來分類
    • 1-154
      影像摺積
    • 1-155
      Keras簡介
    • 1-156
      參考文獻
    • 1-157
      總結
    • 1-158
      CH 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

    FAQ

    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。

    Recommendations

    Reviews

    | Collecting

    Sales Plans