機器學習 | 使用Python進行預測分析的基本技術 ( 繁體 字) |
| 作者：Michael Bowles | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 機器學習 |
| 譯者：賴屹民 |
| 出版社：碁峰出版 |  3dWoo書號： 45221
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：9/9/2016 |
| 頁數：363 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 繁體 版 ) |
| |
【不接受訂購】 |
| ISBN：9789864761388 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：線上下載內容
以簡單有效率的方式分析資料與預測結果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 |
目錄：簡介
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“巖石與水雷”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
索引 |
| 序： |
