Python 機器學習, 2/e (Python Machine Learning, 2/e)

Sebastian Raschka, Vahid Mirjalili 著 劉立民、吳建華 譯

立即出貨 (庫存 > 10)

  • 9789864343324 bc
  • 9789864343324 b1
  • 9789864343324 b2
  • 9789864343324 b3
  • 9789864343324 b4
  • 9789864343324 b5
  • 9789864343324 b6
  • 9789864343324 b7
  • 9789864343324 b8
  • 9789864343324 b9
  • 9789864343324 b10
  • 9789864343324 b11
  • 9789864343324 b12
  • 9789864343324 b13
  • 9789864343324 b14
  • 9789864343324 b15
  • 9789864343324 b16
9789864343324 bc

買這商品的人也買了...

商品描述

機器學習正逐步地在蠶食軟體世界。經由Sebastian Raschka 的暢銷書《Python機器學習》的第二版,讀者可以了解並學習最先進的機器學習、類神經網路和深度學習的相關知識與技術。

《Python機器學習第二版》包含了scikit-learn、Keras和TensorFlow等最新的開源相關技術,它們提供了實務層面的知識和技術,您可以用Python來實際建立機器學習和深度學習的應用系統。

Sebastian Raschka和Vahid Mirjalili以他們獨特的洞察力和專業知識向您介紹機器學習和深度學習的演算法,然後再更進一步的討論數據分析的進階主題。本書將機器學習的理論原理與實際程式碼的製作相結合,讓您能全面掌握機器學習的理論並使用Python來完成實作。

你可以在本書中學到的主題有:

 

‧ 探索並理解數據科學的關鍵框架,機器學習和深度學習
‧ 以機器學習模型和類神經網路,對您的數據的提出新問題
‧ 駕馭最新的Python開源函式庫中,關於機器學習的強大功能
‧ 掌握以TensorFlow函式庫來實作深度類神經網路
‧ 將您的機器學習模型嵌入Web應用程序
‧ 使用迴歸分析來預測連續的目標值
‧ 通過集群來發掘數據中隱藏的模式和結構
‧ 使用深度學習技術分析影像
‧ 使用情緒分析深入研究文本和社群媒體數據

作者簡介

Sebastian Raschka

暢銷書《Python 機器學習》的作者Sebastian Raschka 在Python 程式設計方面有多年的經驗,他也為數據科學,機器學習和深度學習的實際應用,提供過許多次的研討會,其中包括在Python 中具有領先地位的科學計算會議- SciPy 中,提供關於機器學習的教程。

雖然Sebastian Raschka 的學術研究主題主要集中在計算生物學上面,但他喜歡撰寫和談論數據科學、機器學習和Python,而且他有幫助人們的動力,在不需要機器學習的背景下,開發數據驅動的解決方案。

他的工作和貢獻最近得到2016-2017 優秀研究生獎以及ACM Computing Reviews 2016年度最佳獎。 在他的空閒時間裡,Sebastian 喜歡為開源項目做出貢獻,而他所實作的方法現在已經成功地用於Kaggle 等機器學習競賽。

他也積極參與開源專案的開發,並藉由實作許多方法來做出貢獻,目前這些方法、專案都被成功地在機器學習比賽中被使用,Kaggle 就是其中之一。在閒暇時間,他致力於開發各種運動比賽的預測模型,如果不在電腦桌前,他也樂於從事各式各樣的運動。

Vahid Mirjalili

Vahid Mirjalili 是機械工程學的博士,專攻於開發大規模分子結構計算模擬新方法的研究。目前,他在密西根州立大學計算機科學與工程系服務,致力於各種機器學習在計算機視覺中的應用專案。

Vahid 以Python 作為他程式設計時的首選程式語言,在他的學術和研究生涯中,他在Python 程式設計方面累積了豐富的經驗。他在密西根州立大學工程科系開授Python 程式設計,這給了他一個機會來幫助學生理解不同的數據結構,並以Python 來開發高效率的程式碼。

雖然Vahid 的研究興趣集中在深度學習和計算機視覺上的應用,但他最有興趣的是利用深度學習技術來擴展生物識別數據(如人臉影像)中的隱私性,以便資訊不會超出使用戶想要開放的內容。此外,他還與一群從事自動駕駛汽車工作的工程師合作,他設計了用於行人檢測的多光譜影像融合類神經網路模型。

目錄大綱

第01章:賦予電腦從數據中學習的能力
第02章:訓練簡單的機器學習的分類演算法
第03章:使用 scikit-learn 巡覽機器學習分類器
第04章:建構良好的訓練數據集─數據預處理
第05章:降維來壓縮數據
第06章:學習模型評估和超參數調校的最佳實作
第07章:結合不同模型來做整體學習
第08章:將機器學習應用於情緒分析
第09章:在 Web 應用程式上嵌入機器學習模型
第10章:以迴歸分析預測連續目標變量
第11章:使用未標記的數據 ─ 集群分析
第12章:從零開始來實作多層類神經網路
第13章:使用 TensorFlow 來平行化類神經網路的訓練
第14章:更進一步研究 ─ TensorFlow 的結構
第15章:使用深度卷積類神經網路來做影像分類
第16章:以遞迴類神經網路來對循序數據建模