庫存狀況
「香港二樓書店」讓您 愛上二樓●愛上書
我的購物車 加入會員 會員中心 常見問題 首頁
「香港二樓書店」邁向第一華人書店
登入 客戶評價 whatsapp 常見問題 加入會員 會員專區 現貨書籍 現貨書籍 購物流程 運費計算 我的購物車 聯絡我們 返回首頁
香港二樓書店 > 今日好書推介
   
秘密花園
  • 定價93.00元
  • 8 折優惠:HK$74.4
  • 放入購物車
二樓書籍分類
 
scikit-learn新手的晉級:實作各種機器學習解決方案

scikit-learn新手的晉級:實作各種機器學習解決方案

沒有庫存
訂購需時10-14天
9789864344840
Gavin Hackeling
張浩然
博碩
2020年4月21日
167.00  元
HK$ 141.95  






ISBN:9789864344840
  • 規格:平裝 / 256頁 / 17 x 23 x 1.28 cm / 普通級 / 單色印刷 / 初版
  • 出版地:英國


  • 電腦資訊 > 概論/科技趨勢 > 人工智慧/機器學習











    使用scikit-learn探索各式機器學習模型,實作多種機器學習演算法

    ?

      機器學習是近年的熱門話題,它將電腦科學與統計學結合在一起,打造智慧又有效率的模型。你可以使用機器學習提供的強大演算法和技術,來自動化任何分析模型,而scikit-learn正是一個優秀的Python機器學習函式庫,它可以實作多種機器學習演算法,是非常好用的工具。

    ?

      本書詳細介紹一系列機器學習模型和scikit-learn的使用技巧。從機器學習的基礎理論講起,涵蓋了簡單線性迴歸、KNN演算法、特徵提取、多元線性迴歸、邏輯斯迴歸、單純貝氏、非線性分類、決策樹迴歸、隨機森林、感知器、支援向量機、類神經網路、K-MEANS演算法等重要話題。

    ?

      本書亦詳細討論資料預處理、超參數最佳化和整體(ensemble)方法。你也將學會使用scikit-learn的API,從分類變數、文本和影像之中提取特徵,一步步建立改善模型效能的專業直覺。

    ?

      適用讀者

      本書適合機器學習領域的工程師,也適合想要了解scikit-learn的資料科學家。

    ?

      在這本書中,你將學到:

      ?基本概念簡述,如「偏誤」和「變異數」

      ?建置能夠分類文件、識別影像及偵測廣告的系統

      ?使用「線性迴歸」和「KNN」預測連續變數的值

      ?使用「邏輯斯迴歸」和「支援向量機」對文件和影像進行分類

      ?使用「裝袋法」和「提升法」建立估計器整體

      ?使用K-MEANS集群發現資料中的隱藏結構

      ?在常見任務中評估機器學習系統的效能

    ?

      【下載範例程式檔案】

      本書的程式碼是由GitHub託管,可以在如下網址找到:

      github.com/PacktPublishing/Mastering-Machine-Learning-with-scikit-learn-Second-Edition



     





    前言



    第1章:機器學習基礎

    定義機器學習

    從經驗之中學習

    機器學習任務

    訓練資料、測試資料和驗證資料

    偏誤和變異數

    scikit-learn簡介

    安裝scikit-learn

    安裝pandas、Pillow、NLTK和matplotlib

    小結



    第2章:簡單線性迴歸

    簡單線性迴歸

    評價模型

    小結



    第3章:使用KNN演算法分類和迴歸

    KNN模型

    惰式學習和非參數模型

    KNN模型分類

    KNN模型迴歸

    小結



    第4章:特徵提取

    從分類變數中提取特徵

    特徵標準化

    從文本中提取特徵

    從影像中提取特徵

    小結



    第5章:從簡單線性迴歸到多元線性迴歸

    多元線性迴歸

    多項式迴歸

    正規化

    應用線性迴歸

    梯度下降法

    小結



    第6章:從線性迴歸到邏輯斯迴歸

    使用邏輯斯迴歸進行二元分類

    垃圾郵件過濾

    使用網格搜尋微調模型

    多元分類

    多標籤分類和問題轉換

    小結



    第7章:單純貝氏

    貝氏定理

    生成模型和判別模型

    單純貝氏

    在scikit-learn中使用單純貝氏

    小結



    第8章:非線性分類和決策樹迴歸

    決策樹

    訓練決策樹

    使用scikit-learn建立決策樹

    小結



    第9章:整體方法:從決策樹到隨機森林

    裝袋法

    提升法

    堆疊法

    小結



    第10章:感知器

    使用感知器進行文件分類

    感知器的侷限性

    小結



    第11章:從感知器到支援向量機

    核心與核技巧

    最大化分類邊界和支援向量

    使用scikit-learn分類字元

    小結



    第12章:從感知器到類神經網路

    非線性決策邊界

    前饋式類神經網路和回饋式類神經網路

    多層感知器

    訓練多層感知器

    小結



    第13章:K-MEANS演算法

    分群

    K-MEANS演算法

    評估集群

    影像量化

    透過分群學習特徵

    小結



    第14章:使用主成分分析降維

    主成分分析

    使用PCA對高維度資料視覺化

    使用PCA進行臉部辨識

    小結





    其 他 著 作