打下最紮實的 AI 基礎：從 scikit-learn 一步一腳印
黄永昌
- 出版商: 佳魁資訊
- 出版日期: 2019-03-18
- 定價: $560
- 售價: 8.5 折 $476
- 語言: 繁體中文
- 頁數: 352
- ISBN: 9863797405
- ISBN-13: 9789863797401
已過版
買這商品的人也買了...
-
知識管理：理論與實務(Measuring and Managing Knowledge)$520$494 -
邁向 Angular 2：基於 TypeScript 的高性能 SPA 框架$414$393 -
駭客退散！站長、網管一定要知道的網站漏洞診斷術$480$384 -
初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)$480$379 -
Python 資料科學學習手冊 (Python Data Science Handbook: Essential Tools for Working with Data)$780$616 -
FLAG'S 創客‧自造者工作坊 -- AI 生醫感測健康大應用$1,499$1,274 -
Python 機器學習, 2/e (Python Machine Learning, 2/e)$690$538 -
$536機器學習實戰：基於 Scikit-Learn 和 TensorFlow (Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems) -
FLAG'S 創客‧自造者工作坊 -- AI × LINE 聲控/人臉辨識生活大應用$999$849 -
跨 Mac, Linux, Windows 三大平台 .NET Core 開發實作$590$502 -
RISC-V 架構與嵌入式開發快速入門$474$450 -
Web 前端開發 使用 ASP.NET Core、Angular 和 Bootstrap (Front-end Development with ASP.NET Core, AngularJS, and Bootstrap)$359$341 -
scikit-learn 機器學習, 2/e (Mastering Machine Learning with scikit-learn, 2/e)$354$336 -
輕鬆學會 Android Kotlin 實作開發：精心設計 16個 Lab 讓你快速上手$500$390 -
LINE Bot 與人工智慧辨識開發實戰｜使用 C# 與 Azure Cognitive Services$580$458 -
實戰 TensorFlow x Keras 工作現場開發$480$379 -
從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰$594$564 -
極速+好用：用 C++ 及 Python 平行實作 OpenCV$680$578 -
Deep Learning 2｜用 Python 進行自然語言處理的基礎理論實作$680$537 -
用 Python 學運算思維$550$468 -
Learning Path Building Computer Vision Projects with OpenCV 4 and C++$1,750$1,663 -
Python 初學特訓班：從快速入門到主流應用全面實戰, 3/e (附250分鐘影音教學/範例程式)$480$379 -
Python 機器學習與深度學習特訓班：看得懂也會做的 AI人工智慧實戰 (附120分鐘影音教學/範例程式)$520$411 -
Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)$1,000$790 -
Pandas 資料分析實戰：使用 Python 進行高效能資料處理及分析 (Learning pandas : High-performance data manipulation and analysis in Python, 2/e)$580$452
相關主題
商品描述
用通俗易懂的語言介紹機器學習演算法的原理，符合初學者的認知
規律，豐富的範例圖片，幫助讀者更加直觀地了解演算法背後的原理，實例豐富，幫助讀者使用機器學習演算法解決工程應用問題。
理論基礎包含機器學習的應用場景、開發之典型步驟，numpy、pandas、matplotlib等皆有演算法模型性能評估的指標與評估方法的篇章；八大常用機器學習演算法:k-近鄰演算法、線性回歸演算法、邏輯回歸演算法、決策樹支持向量機、單純貝氏演算法、PCA演算法、k-平均值演算法。
目錄大綱
Chapter01 機器學習介紹
1.1 什麼是機器學習
1.2 機器學習有什麼用
1.3 機器學習的分類
1.4 機器學習應用程式開發的典型步
1.5 複習題
Chapter02 Python 機器學習軟體套件
2.1 開發環境架設
2.3 Numpy 簡介
2.4 Pandas 簡介
Chapter03 機器學習理論基礎
3.1 過擬合和欠擬合
3.2 成本函數
3.3 模型準確性
3.4 學習曲線
3.5 演算法模型效能最佳化
3.6 查準率和召回率
3.7 F1 Score
3.8 複習題
Chapter04 k- 近鄰演算法
4.1 演算法原理
4.2 範例：使用k- 近鄰演算法進行分類
4.3 範例：使用k- 近鄰演算法進行回歸擬合
4.4 實例：糖尿病預測
4.5 擴充閱讀
4.6 複習題
Chapter05 線性回歸演算法
5.1 演算法原理
5.2 多變數線性回歸演算法
5.3 模型最佳化
5.4 範例：使用線性回歸演算法擬合正弦函數
5.5 範例：測算房價
5.6 擴充閱讀
5.7 複習題
Chapter06 邏輯回歸演算法
6.1 演算法原理
6.2 多元分類
6.3 正規化
6.4 演算法參數
6.5 實例：乳腺癌檢測
6.6 擴充閱讀
6.7 複習題
Chapter07 決策樹
7.1 演算法原理
7.2 演算法參數
7.3 實例：預測鐵達尼號倖存者
7.4 擴充閱讀
7.5 集合演算法
7.6 複習題
Chapter08 支援向量機
8.1 演算法原理
8.2 核心函數
8.3 scikit-learn 裡的
8.4 實例：乳腺癌檢測
8.5 複習題
Chapter09 單純貝氏演算法
9.1 演算法原理
9.2 一個簡單的實例
9.3 機率分佈
9.4 連續值的處理
9.5 實例：文件分類
9.6 複習題
Chapter10 PCA 演算法
10.1 演算法原理
10.2 PCA 演算法範例
10.3 PCA 的資料還原率及應用
10.4 實例：人臉識別
10.5 擴充閱讀
10.6 複習題
Chapter11 k- 平均值演算法
11.1 演算法原理
11.2 scikit-learn 裡的k- 平均值演算法
11.3 使用k- 平均值對文件進行分群分析
11.4 分群演算法效能評估
11.5 複習題
AppendixA 後記
A.1 回顧與展望