PDF JPG
本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • 最新機器學習的教科書
  • 點閱:3640
    672人已收藏
  • 譯自:Pythonで動かして学ぶ!あたらしい機械学習の教科書
  • 作者: 伊藤真作 , [鄭明智, 司磊譯]
  • 出版社:深智數位
  • 出版年:2021
  • ISBN:9789860776393
  • EISBN:9789860776447 PDF
  • 格式:PDF,JPG
  • 附註:封面題名: 最新機器學習の教科書
租期14天 今日租書可閱讀至2024-06-11

輕鬆簡單的好書,讓你從入門到高手,掌握機器學習及神經網路的數學、理論與實作!
 
  ▌使用Jupyter Notebook
  全書所附的程式碼完整簡單,更棒的是用Jupyter Notebook開發,初學者可以在一個網頁上寫程式、執行、查看結果,還可以作筆記,圖形介面和有條不紊的程式碼管理,比起直接在命令行零零散散地輸入Python程式碼,更能激發學習的動力。
 

  ▌搭配範例詳細解說
  完善可運行的程式碼、豐富詳細的範例、直觀的資料圖型、細緻具體的公式推導、程式碼實作,彷彿一位好的老師在親手教我學習演算法。
 
  ▌程式結合數學公式,一看就懂
  本書繼承了大部分日文技術書的傳統特色,對沒有學過Python和需要複習數學基礎的初學者是非常易懂的,內容安排循序漸進,推導過程完整清楚,圖文並茂,理論與實作相結合。一行行的程式碼與一行行的公式一一對應,讓原本晦澀難懂的公式變得簡明流暢起來。
 
  你一定可以運用這些方法看懂了原本看不懂的大學經典教材,再加上TensorFlow和最好用的Keras,快點搭上本書的特快車趕上機器學習人工智慧的新浪潮吧!

作者簡介
 
伊藤真
 
  日本栃木縣人,目前居住在神奈川縣。

 
  2000年獲得日本東北大學大學院資訊科學博士學位,研究內容為老鼠導航行為的數理模型。2004年~2016年在沖繩科學技術大學院大學擔任神經計算單元實驗小組負責人,主要研究如何通過強化學習模型解釋老鼠的選擇行為和腦活動。
 
  2017年入職Progress Technologies株式會社,研究人工智慧的產業應用。
  興趣是用瓦楞紙板做手工藝品。
  • 第 1 章 | 學習前的準備(第1-1頁)
    • 1.1 關於機器學習(第1-2頁)
    • 1.2 安裝 Python(第1-7頁)
    • 1.3 Jupyter Notebook(第1-11頁)
    • 1.4 安裝 Keras 和 TensorFlow(第1-17頁)
  • 第 2 章 | Python 基礎知識(第2-1頁)
    • 2.1 四則運算(第2-2頁)
    • 2.2 變數(第2-3頁)
    • 2.3 類型(第2-4頁)
    • 2.4 print 敘述(第2-6頁)
    • 2.5 list(陣列變數)(第2-8頁)
    • 2.6 tuple(陣列)(第2-11頁)
    • 2.7 if 敘述(第2-13頁)
    • 2.8 for 敘述(第2-15頁)
    • 2.9 向量(第2-16頁)
    • 2.10 矩陣(第2-21頁)
    • 2.11 矩陣的四則運算(第2-24頁)
    • 2.12 切片(第2-26頁)
    • 2.13 替換滿足條件的資料(第2-28頁)
    • 2.14 help(第2-29頁)
    • 2.15 函數(第2-30頁)
    • 2.16 保存檔案(第2-32頁)
  • 第 3 章 | 資料視覺化(第3-1頁)
    • 3.1 繪製二維圖形(第3-2頁)
    • 3.2 繪製三維圖形(第3-10頁)
  • 第 4 章 | 機器學習中的數學(第4-1頁)
    • 4.1 向量(第4-2頁)
    • 4.2 求和符號(第4-10頁)
    • 4.3 累乘符號(第4-13頁)
    • 4.4 導數(第4-14頁)
    • 4.5 偏導數(第4-19頁)
    • 4.6 矩陣(第4-30頁)
    • 4.7 指數函數和對數函數(第4-48頁)
  • 第 5 章 | 監督學習:回歸(第5-1頁)
    • 5.1 一維輸入的直線模型(第5-2頁)
    • 5.2 二維輸入的平面模型(第5-19頁)
    • 5.3 D 維線性回歸模型(第5-27頁)
    • 5.4 線性基底函數模型(第5-33頁)
    • 5.5 過擬合問題(第5-40頁)
    • 5.6 新模型的生成(第5-51頁)
    • 5.7 模型的選擇(第5-55頁)
    • 5.8 小結(第5-57頁)
  • 第 6 章 | 監督學習:分類(第6-1頁)
    • 6.1 一維輸入的二元分類(第6-2頁)
    • 6.2 二維輸入的二元分類(第6-23頁)
    • 6.3 二維輸入的三元分類(第6-33頁)
  • 第 7 章 | 神經網路與深度學習(第7-1頁)
    • 7.1 神經元模型(第7-3頁)
    • 7.2 神經網路模型(第7-8頁)
    • 7.3 使用 Keras 實現神經網路模型(第7-46頁)
  • 第 8 章 | 神經網路與深度學習的應用(手寫數字辨識)(第8-1頁)
    • 8.1 MINST 資料集(第8-2頁)
    • 8.2 二層前饋神經網路模型(第8-4頁)
    • 8.3 ReLU 啟動函數(第8-11頁)
    • 8.4 空間篩檢程式(第8-16頁)
    • 8.5 卷積神經網路(第8-21頁)
    • 8.6 池化(第8-26頁)
    • 8.7 Dropout(第8-27頁)
    • 8.8 融合了各種特性的 MNIST 辨識網路模型(第8-28頁)
  • 第 9 章 | 無監督學習(第9-1頁)
    • 9.1 二維輸入資料(第9-2頁)
    • 9.2 K-means 演算法(第9-4頁)
    • 9.3 混合高斯模型(第9-16頁)
  • 第 10 章 | 本書小結(第10-1頁)
紙本書 NT$ 780
單本電子書
NT$ 546

點數租閱 20點
租期14天
今日租書可閱讀至2024-06-11
還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code