初探機器學習演算法

Giuseppe Bonaccorso 著、賴屹民 譯

立即出貨 (庫存 > 10)

買這商品的人也買了...

商品描述

熱門資料科學與機器學習演算法學習指南

本書介紹並說明資料科學領域常見且重要的機器學習演算法,這些演算法可用於監督式與非監督學習、強化學習與半監督式學習。

書中所討論的演算法包括線性迴歸、logistic迴歸、SVM、樸素貝氏、k-means、隨機森林、TensorFlow與特徵工程。

你將會學到如何使用這些演算法來解決問題,以及它們的工作原理。同時也會介紹自然語言處理與推薦系統,以協助同時執行多種演算法。

最後將會知道如何挑選正確的機器學習演算法,來為你的問題進行分群、分類或迴歸。

 

你將學會:

• 熟悉機器學習的重要元素

• 瞭解特徵選擇與特徵工程流程

• 平衡線性迴歸的效能與誤差

• 建立資料模型,與使用各種類型的演算法來瞭解它的工作方式

• 微調SVM的參數

• 實作資料集的群聚

• 探索自然語言處理與推薦系統的概念

• 從零開始建立機器學習架構

目錄大綱

第 1 章 機器學習簡介

第 2 章 機器學習的重要元素

第 3 章 特徵選擇與特徵工程

第 4 章 線性迴歸

第 5 章 Logistic 迴歸

第 6 章 樸素貝氏

第 7 章 支援向量機

第 8 章 決策樹與整體學習

第 9 章 分群基礎

第 10 章 階層式分群

第 11 章 推薦系統簡介

第 12 章 自然語言處理簡介

第 13 章 NLP 的主題建模與情緒分析

第 14 章 深度學習與 TensorFlow 簡介

第 15 章 建立機器學習架構