最好懂的機器學習書 - 使用 Python 了解原理、演算法及實戰案例
劉艷、韓龍哲、李沫沫 編著
- 出版商: 深智
- 出版日期: 2023-03-20
- 定價: $780
- 售價: 8.5 折 $663
- 語言: 繁體中文
- 頁數: 376
- ISBN: 6267273199
- ISBN-13: 9786267273197
-
相關分類:
Machine Learning、Algorithms-data-structures
- 此書翻譯自: Python 機器學習 — 原理、算法及案例實戰 -- 微課視頻版
立即出貨(限量)
買這商品的人也買了...
-
$1,100$1,045 -
$320$272 -
$540$459 -
$680$537 -
$2,146Introduction to Algorithms, 4/e (Hardcover)
-
$620$484 -
$602因果推斷與機器學習
-
$880$695 -
$654$621 -
$556Python機器學習技術:模型關系管理
-
$383Power BI 數據挖掘與可視化分析
-
$880$695 -
$880$695 -
$620$484 -
$390$257 -
$499$394 -
$500$395 -
$650$507 -
$520$442 -
$699$552 -
$680$537 -
$1,280$1,011 -
$630$498 -
$880$695 -
$980$833
相關主題
商品描述
☆ ★PythonX人工智慧X深度學習★☆
✔將機器學習進行分門別類的介紹
✔提供大量範例解析演算法
✔每章節都附有習題,讓讀者可以自行操作
※ 本書附程式碼,可至深智官網下載:https://deepmind.com.tw/
機器學習是人工智慧的核心基礎,是電腦研究領域的重要分支。機器學習正展現其巨大的潛力,在許多領域扮演著日益重要的角色。當電腦程式具有學習能力後,就能夠在不斷的資料中越來越好:例如醫療診斷程式,透過學習後便能夠不斷提高自身的診斷能力。Python近年來發展迅速,被廣泛用於科學計算,資料探勘和機器學習。Python語言配備了很多高品質的機器學習和資料分析函數庫,為機器學習提供了重要工具。本書讓你無痛進入機器學習乃至深度學習的領域,建立出真正的商業應用。當今業界十分需要人工智慧工程師,只要花一點點時間,把這最流行的機器學習上手,在往後的各行各業中,都能是你揮灑的空間。
本書內容劃分為、機器學習演算法基礎理論及介紹基本的機器學習演算法之理論及應用3部分。介紹Python資料處理功能,如:Python開發環境、基本資料結構和資料處理等。講解機器學習的理論框架和Python機器學習常用的協力廠商函數庫。甚至提供神經網路以及深度學習的理論及專案實例。
讀完本書,您能強化以下實作技能與觀念:
✔何為人工智慧、常用領域、開發環境
✔熟悉pandas、numpy
✔學會製作中文相關應用、詞雲、結巴中文分詞
✔學會使用Matplotlib,OpenCV,SKLearn
✔使用Python實作KNN、K-Means。
✔使用Python實作SVM、感知機、核心函數
✔Python實作推薦系統、商品推薦、內容推薦、協作過濾及圖結構
✔了解機器學習模型、線性非維性、監督及非監督、強化學習
✔了解線性回歸(一元、多元)、邏輯回歸
✔了解多層神經網路、深度學習
☛適合讀者
✔人工智慧/深度學習/機器學習入門讀者
✔大專院校、專業教育訓練機構師生
✔其他對智慧化、自動化感興趣的開發者
作者簡介
主要作者為長期從事電腦最前端技術教學的教師,博士學歷,研究方向均為人工智慧與模式辨識,具有豐富的電腦教學經驗和紮實的科學研究經驗。
主持國家級及一線城市等多個科學研究專案。包括多目標旅行商問題的求解、稀疏半監督學習方法研究、蛋白質結構預測導向的支援向量機的研究等、多Agent蟻群演算法在模擬最佳化中應用研究等。
主持國家級及省級教學改革專案,作為核心成員參加上海市精品課程、校級重大教研課題。主編參編教材十餘本。多次獲得中國華東師範大學優秀任課教師獎、中國華東師範大學教學成果獎等獎勵。
目錄大綱
第一部分入門篇
第1章機器學習概述
1.1人工智慧簡介
1.2機器學習的主要工作
1.3機器學習開發環境
習題
第2章Python資料處理基礎
2.1 Python程式開發技術
2.2基底資料型態
2.3資料檔案讀寫
習題
第二部分基礎篇
第3章Python常用機器學習函數庫
3.1 NumPy
3.2 Pandas
3.3 Matplotlib
3.4 OpenCV
3.5 Scikit learn
3.6其他常用模
習題
第4章機器學習基礎
4.1機器學習模型
4.2機器學習演算法的選擇
4.3 Python機器學習利器SKlearn
習題
第三部分實戰篇
第5章KNN分類演算法
5.1 KNN分類
5.2初識KNN——鳶尾花分類
5.3 KNN手寫數字辨識
實驗
第6章K-Means聚類演算法
6.1 K-Means聚類演算法概述
6.2使用K-Means實現資料聚類
6.3 K-Means演算法存在的問題
實驗
第7章推薦演算法
7.1推薦系統
7.2協作過濾推薦演算法
7.3基於內容的推薦演算法案例
7.4協作過濾演算法實現電影推薦
實驗
第8章回歸演算法
8.1線性回歸
8.2邏輯回歸
8.3回歸分析綜合案例
實驗
第9章支援向量機
9.1支援向量機的概念
9.2支援向量機的參數
實驗
第10章神經網路
10.1神經網路的基本原理
10.2多層神經網路
10.3 BP神經網路
實驗
第11章深度學習
11.1深度學習概述
11.2卷積神經網路
11.3循環神經網路
11.4常見的深度學習開放原始碼框架和平台
11.5 TensorFlow學習框架
11.6 Keras深度學習框架
習題