機器學習|工作現場的評估、導入與實作
有賀康顕、中山心太、西林孝 許郁文
- 出版商: 歐萊禮
- 出版日期: 2018-09-06
- 定價: $580
- 售價: 7.9 折 $458
- 語言: 繁體中文
- 頁數: 256
- ISBN: 9864768999
- ISBN-13: 9789864768998
-
相關分類:
Machine Learning 機器學習
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
$480$379初探深度學習|使用 TensorFlow (TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning)
-
$450$356練好機器學習的基本功|用 Python 進行基礎數學理論的實作
-
$480$379鳳凰專案|看 IT部門如何讓公司從谷底翻身的傳奇故事
-
$690$538Python 機器學習, 2/e (Python Machine Learning, 2/e)
-
$540$427AI視覺大全:用最好用的 PyTorch 實作
-
$380$300區塊鏈|未來經濟的藍圖 (Blockchain: Blueprint for a New Economy)
-
$354$336機器學習Web應用
-
$380$266運算思維與演算法的九堂精選課程
-
$620$490Deep Learning 深度學習基礎|設計下一代人工智慧演算法 (Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms)
-
$240
人工智能基礎 (高中版)
-
$580$458演算法技術手冊, 2/e (Algorithms in a Nutshell: A Practical Guide, 2/e)
-
$680$530Python + Spark 2.0 + Hadoop 機器學習與大數據分析實戰
-
$580$458網站擷取|使用Python, 2/e (Web Scraping with Python: Collecting More Data from the Modern Web, 2/e)
-
$450$356實戰機器學習|以深度學習演算企業資料
-
$680$476學會 TensorFlow 之後呢?最尖端的 21個夢幻範例實作
-
$420$328類神經網路實戰:使用 Python
-
$450$405Effective SQL 中文版 | 寫出良好 SQL 的 61個具體做法 (Effective SQL : 61 Specific Ways to Write Better SQL)
-
$520$411Python 神乎其技:精要剖析語法精髓,大幅提升程式功力!
-
$380$300機器學習入門|從玻爾茲曼機械學習到深度學習
-
$580$458優雅的 SciPy|Python 科學研究的美學 (Elegant SciPy: The Art of Scientific Python)
-
$490$343改變未來 20年最重要的 20個視覺機器學習理論深讀
-
$490$343Google 就是這樣猜中你的心:用機器學習及演算法分析文字語意
-
$354$336構建實時機器學習系統
-
$500$350Python 深度學習實作:Keras 快速上手
-
$534$507百面機器學習 算法工程師帶你去面試
商品描述
本書是專為想要將機器學習實際應用在工作上的讀者所寫的書,說明如何在職場上應用機器學習與資料分析的工具。
透過本書,您可以了解:
.如何啟動機器學習的專案
.如何讓機器學習與現存的系統互動
.如何收集機器學習的資料
.如何建立假設與分析
.機器學習的基礎知識
.分門別類介紹機器學習演算法的各種特徵
.以阻絕垃圾郵件的範例說明如何評估離線預測模型的方法
.如何在機器學習的分類工作收集正確資料的方法
.使用統計學的檢定、因果推論、A/B測試驗證方案效果
目錄大綱
第一章 推動機器學習專案的方法
1.1 機器學習都如何應用?
1.2 機器學習專案的流程
1.3 系統實際常見的機器學習問題與處理方法
1.4 如何成功打造機器學習的系統?
第二章 機器學習的功能
2.1 該選擇何種演算法?
2.2 分類
2.3 迴歸
2.4 集群、降維
2.5 其他
第三章 評估學習結果
3.1 分類的評估矩陣
3.2 迴歸的評估
3.3 將機器學習嵌入系統的A/B測試
第四章 在系統嵌入機器學習
4.1 讓機器學習嵌入系統的流程
4.2 系統設計
4.3 歷程設計
第五章 收集學習所需的資源
5.1 取得學習所需的資源的方法
5.2 使用公開的資料集或模型製作訓練資料
5.3 開發者自行建立訓練資料
5.4 請同事或朋友輸入資料,藉此建立訓練資料
5.5 透過群眾外包的方式建立訓練資料
5.6 在服務建立由使用者輸入的機制
第六章 效果驗證
6.1 效果驗證的概要
6.2 假設檢定的框架
6.3 假設檢定的注意事項
6.4 因果效果的推測
6.5 A/B 測試
第七章 打造電影推薦系統
7.1 劇本
7.2 進一步了解推薦系統
7.3 觀察MovieLens 的資料傾向
7.4 建置推薦系統
7.5 本章總結
第八章 Kickstarter的分析、不使用機器學習的選項
8.1 調查Kickstarter 的API
8.2 製作Kickstarter 的網路爬蟲
8.3 將JSON 資料轉換成CSV
8.4 在Excel 稍微瀏覽內容
8.5 利用樞紐分析表從各角度分析
8.6 觀察目標金額達成卻取消的專案
8.7 觀察各國情況
8.8 製作報表
8.9 今後預定事項
8.10 本章總結
第九章 利用Uplift Modeling 有效分配行銷資源
9.1 Uplift Modeling 的四象限
9.2 相當於A/B測試強化版的Uplift Modeling的概要
9.3 製作Uplift Modeling 所需的資料集
9.4 使用兩個預測模組的Uplift Modeling
9.5 Upift Modeling的評估方法AUUC
9.6 於實務問題的應用
9.7 如何於正式環境使用Uplift Modeling?