本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • 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
  • 點閱:293
  • 譯自:Machine learning algorithms
  • 作者: Giuseppe Bonaccorso著 , 賴屹民譯
  • 出版社:碁峰資訊
  • 出版年:2019[民108]
  • ISBN:978-986-502-041-5 ; 986-502-041-6
  • 格式:JPG
  • 版次:初版

內容簡介
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


作者簡介
 
Giuseppe Bonaccorso
 
Giuseppe Bonaccorso 是具備12年經驗的機器學習與大數據顧問,擁有義大利University of Catania電機工程學碩士,與義大利University of Rome,Tor Vergata和英國University of Essex的畢業後研究經驗。曾在各種商業領域擔任IT工作,包括公共行政、軍事、公用事業、保健、診斷與廣告,也曾經使用許多技術來開發與管理各種專案,包括Java、Python、Hadoop、Spark、Theano與TensorFlow。他的主要興趣是人工智慧、機器學習、資料科學與心靈哲學。

  • 前言(第1頁)
  • 第 1 章 機器學習簡介(第7頁)
    • 簡介 —— 傳統與自我調整機器(第7頁)
    • 學習才是最重要的(第9頁)
    • 超越機器學習 —— 深度學習與受生物啟發的自我調整系統(第15頁)
    • 資料學習與大數據(第17頁)
    • 進階讀物(第18頁)
    • 總結(第18頁)
  • 第 2 章 機器學習的重要元素(第19頁)
    • 資料格式(第19頁)
    • 可學習性(第22頁)
    • 統計學習方法(第29頁)
    • 資訊理論元素(第35頁)
    • 參考文獻(第38頁)
    • 總結(第38頁)
  • 第 3 章 特徵選擇與特徵工程(第39頁)
    • scikit-learn 玩具資料集(第39頁)
    • 建立訓練與測試集合(第40頁)
    • 管理分類資料(第42頁)
    • 管理遺漏的特徵(第45頁)
    • 資料縮放與標準化(第46頁)
    • 選擇特徵與過濾(第49頁)
    • 主成分分析(第51頁)
    • 原子擷取與字典學習(第62頁)
    • 參考文獻(第64頁)
    • 總結(第64頁)
  • 第 4 章 線性迴歸(第65頁)
    • 線性模型(第65頁)
    • 二維範例(第66頁)
    • 使用 scikit-learn 與較高維度來做線性迴歸(第68頁)
    • Ridge、Lasso 與 ElasticNet(第73頁)
    • 使用隨機抽樣一致法的穩健迴歸(第77頁)
    • 多項式迴歸(第79頁)
    • 保序迴歸(第82頁)
    • 參考文獻(第84頁)
    • 總結(第85頁)
  • 第 5 章 Logistic 迴歸(第87頁)
    • 線性分類(第87頁)
    • Logistic 迴歸(第90頁)
    • 實作與最佳化(第92頁)
    • 隨機梯度下降演算法(第95頁)
    • 使用格點搜尋來找出最佳超參數(第98頁)
    • 分類度量(第101頁)
    • ROC 曲線(第106頁)
    • 總結(第110頁)
  • 第 6 章 樸素貝氏(第111頁)
    • 貝氏定理(第111頁)
    • 樸素貝氏分類器(第113頁)
    • scikit-learn 的樸素貝氏(第114頁)
    • 參考文獻(第121頁)
    • 總結(第122頁)
  • 第 7 章 支援向量機(第123頁)
    • 線性支援向量機(第123頁)
    • scikit-learn 實作(第128頁)
    • 受控支援向量機(第139頁)
    • 支援向量迴歸(第141頁)
    • 參考文獻(第143頁)
    • 總結(第143頁)
  • 第 8 章 決策樹與整體學習(第145頁)
    • 二元決策樹(第146頁)
    • 使用 scikit-learn 來做決策樹分類(第151頁)
    • 整體學習(第157頁)
    • 參考文獻(第169頁)
    • 總結(第169頁)
  • 第 9 章 分群基礎(第171頁)
    • 分群基本概念(第171頁)
    • 採用地真來評價方法(第192頁)
    • 參考文獻(第194頁)
    • 總結(第195頁)
  • 第 10 章 階層式分群(第197頁)
    • 階層式策略(第197頁)
    • 聚合式分群(第198頁)
    • 參考文獻(第210頁)
    • 總結(第210頁)
  • 第 11 章 推薦系統簡介(第211頁)
    • 以使用者為基礎的稚嫩系統(第212頁)
    • 以內容為基礎的系統(第214頁)
    • 無模型(或基於記憶)的協同過濾(第217頁)
    • 模型式協同過濾(第220頁)
    • 參考文獻(第228頁)
    • 總結(第228頁)
  • 第 12 章 自然語言處理簡介(第229頁)
    • NLTK 與內建的語料庫(第229頁)
    • 詞袋策略(第232頁)
    • 採用 Reuters 語料庫的樣本文字分類器(第244頁)
    • 參考文獻(第246頁)
    • 總結(第246頁)
  • 第 13 章 NLP 的主題建模與情緒分析(第247頁)
    • 主題建模(第247頁)
    • 情緒分析(第266頁)
    • 參考文獻(第271頁)
    • 總結(第271頁)
  • 第 14 章 深度學習與 TensorFlow 簡介(第273頁)
    • 深度學習簡介(第273頁)
    • TensorFlow 簡介(第280頁)
    • Keras 簡介(第296頁)
    • 參考文獻(第302頁)
    • 總結(第302頁)
  • 第 15 章 建立機器學習架構(第303頁)
    • 機器學習架構(第303頁)
    • 用於機器學習架構的 scikit-learn 工具(第307頁)
    • 參考文獻(第312頁)
    • 總結(第312頁)
  • 索引(第315頁)
紙本書 NT$ 480
單本電子書
NT$ 336

還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code