機器學習 | 使用 Python 進行預測分析的基本技術
Michael Bowles 著,賴屹民 譯
- 出版商: 碁峰
- 出版日期: 2016-09-12
- 定價: $580
- 售價: 9.5 折 $551
- 貴賓價: 9.0 折 $522
- 語言: 繁體中文
- 頁數: 384
- ISBN: 9864761382
- ISBN-13: 9789864761388
-
相關分類:
Python 程式語言、Machine Learning 機器學習
- 相關原文書: Machine Learning in Python: Essential Techniques for Predictive Analysis (Paperback)
已絕版
買這商品的人也買了...
-
$580$452Python 機器學習 (Python Machine Learning)
-
$480$379資料智慧化:利用資料科學,將資訊化為創見
-
$360$180深度學習快速入門—使用 TensorFlow (Getting started with TensorFlow)
-
$590$413今天不學機器學習,明天就被機器取代:從 Python入手+演算法
-
$580$458Data Science from Scratch|用Python學資料科學 (中文版)(Data Science from Scratch: First Principles with Python)
-
$780$616精通 Python|運用簡單的套件進行現代運算 (Introducing Python: Modern Computing in Simple Packages)
-
$560$437Python 程式設計實務-從初學到活用 Python 開發技巧的16堂課
-
$580$458網站擷取|使用 Python (Web Scraping with Python: Collecting Data from the Modern Web)
-
$580$441寫給 PM、RD 與設計師看的設計需求分析─使用者想要的應用程式都是這樣打造出來的 (Designing the Requirements: Building Applications that the User Wants and Needs)
-
$680$530Python + Spark 2.0 + Hadoop 機器學習與大數據分析實戰
-
$1,260$983Python 機器學習 + Python+Spark 2.0+Hadoop機器學習與大數據分析實戰 (雙書合購促銷)
-
$500$395Python 自動化的樂趣|搞定重複瑣碎 & 單調無聊的工作 (中文版) (Automate the Boring Stuff with Python: Practical Programming for Total Beginners)
-
$590$460TensorFlow+Keras 深度學習人工智慧實務應用
-
$450$356Python 函式庫語法範例字典
-
$360$284完整學會 Git, GitHub, Git Server 的24堂課
-
$580$458高效率資料分析|使用Python (Foundations for Analytics with Python)
-
$580$458演算法技術手冊, 2/e (Algorithms in a Nutshell: A Practical Guide, 2/e)
-
$580$458Deep Learning|用 Python 進行深度學習的基礎理論實作
-
$620$527大話設計模式
-
$294$279機器學習系統設計 (Building Machine Learning Systems with Python)
-
$420$332讓響應式(RWD)網頁設計變簡單:Bootstrap開發速成 (附135分鐘專題影音教學)
-
$480$379初探機器學習|使用 Python (Thoughtful Machine Learning with Python)
-
$480$379Python 初學特訓班 (附250分鐘影音教學/範例程式)
-
$450$356快快樂樂學 Excel 2013─善用資料圖表、函數巨集的精算達人
-
$354$336Python 數據挖掘入門與實踐 (Learning Data Mining with Python)
商品描述
機器學習的目的是預測,使用你已經知道的來預測你想要知道的—根據這兩者之間的歷史關係。它的核心是一種數學 / 演算法技術,你需要深入瞭解數學與統計學概念,並熟悉 R 與其他專用語言。本書為廣大的讀者簡化機器學習技術,把焦點放在兩種可以有效地預測結果的演算法族群,告訴你如何透過熱門且容易上手的 Python 程式語言來使用它們。
作者 Michael Bowles 具備多年的機器學習經驗,將帶領你設計、建構與使用自己的機器學習解決方案。他會用很簡單的方式來解釋演算法,不會使用複雜的數學,並提供範例程式,來協助你盡早上手。你將會深入鑽研建構機制,學習如何選擇與使用最能夠解決手上問題的演算法,無論你的問題簡單或複雜。這本書會透過詳細的範例,以具體、可修改的程式來說明機制,並說明線性迴歸與整體方法,協助你瞭解機器學習的基礎工作程序。這些方法都很有效率,而且經過測試,它們的結果可說明一切。
本書不需要你具備專業的數學或統計學背景,將會告訴你如何:
‧選擇正確的演算法來完成你的工作
‧學習機制與準備資料
‧掌握核心的 Python 機器學習套件
‧建構多功能、有效的預測模型
‧將訓練好的模型實際應用在各種用途
‧計算模型效能,以取得更好的 QC 與應用
‧使用書中的範例程式來設計與建構你自己的模型
<作者簡介>
Michael Bowles
MICHAEL BOWLES 目前在矽谷的 Hacker Dojo 教導機器學習,擔任機器學習專案的顧問,並且與一些有關生物訊息與高頻率交易的創業公司合作。Michael 曾在 MIT 擔任助理教授,之後自行創業,開創兩家矽谷的公司,這兩家公司都已成為上市公司。他在 Hacker Dojo 舉辦的課程幾乎都會銷售一空,佳評如潮。
<目錄>
Chapter 1 進行預測的兩種基本演算法
為什麼這兩種演算法這麼好用?
什麼是懲罰迴歸方法?
什麼是整體方法?
如何選擇演算法
建構預測模型的步驟
章節的內容與彼此的關係
總結
Chapter 2 藉由瞭解資料來瞭解問題
剖析新問題
分類問題:使用聲納來偵測未爆水雷
將“岩石與水雷”資料集的屬性視覺化
使用因素變數來做實值預測:你的鮑魚多大了?
使用實值屬性來做實值預測:算出酒的口感
多類別分類問題:那是哪一種玻璃?
總結
Chapter 3 建構預測模型:在效能、複雜度與巨量資料之間取得平衡
基本問題:瞭解函數逼近
影響演算法選擇與效能的因素—複雜性與資料
評量預測模型的效能
讓模型與資料和諧共存
總結
Chapter 4 懲罰線性迴歸
為什麼懲罰線性迴歸很好用
懲罰線性迴歸:最佳效能的一般線性迴歸
解決懲罰線性迴歸問題
使用輸值輸入來延伸線性迴歸
總結
Chapter 5 使用懲罰線性方法來建構預測模型
Python 的懲罰線性迴歸套件
多變數迴歸:預測酒味
二元分類:使用懲罰線性迴歸來偵測未爆水雷
多類別分類:分類犯罪現場的玻璃樣本
總結
Chapter 6 整體方法
二元決策樹
Bootstrap Aggregation :“Bagging”
Gradient Boosting
Random Forest
總結
Chapter 7 使用 Python 來建構整體模型
使用 Python 整體套件來處理迴歸問題
編寫 Bagging 來預測酒的品質
在 Python 整體模型中,使用非數值屬性
使用 Python 整體方法來處理二元分類問題
使用 Python 整體方法來處理多類別分類問題
演算法比較
總結