|
-- 會員 / 註冊 --
|
|
|
|
還在漫無頭緒?一本書帶你走完Python深度學習 ( 繁體 字) |
作者:唐 亙 | 類別:1. -> 程式設計 -> Python |
譯者: |
出版社:佳魁資訊 | 3dWoo書號: 50246 詢問書籍請說出此書號!【缺書】 【不接受訂購】 |
出版日:11/8/2018 |
頁數: |
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:9789863797104 |
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:?本書特色: ?一書融會貫通統計學、機器學習與計算機科學三大學門,搭建完備的知識體系。 ?以Python語言為基礎,引領讀者學會完成建模,實用性極強。 ?詳析分散式機器學習、神經網路、深度學習等人工智慧的尖精科技。 ──────────────────────────────────────────── ? 全方位闡明資料科學領域的相關知識,從統計分析、機器學習、深度學習中所運用的演算法及模型,輔以經濟學視角所提供關於模型的精闢見解,深入探討模型的可用性。 ? 書中結合大量的實際案例與程式碼,幫助讀者學以致用,將具體的應用場景和現有的模型加以結合,從而發現模型更多的潛在應用場景。 ? 章節架構: 1. 透過簡單的實例導引出模型,詳述其理論基礎; 2. 展示實現模型的核心程式; 3. 探討其優缺點及相關模型的比較。既能直觀地展示模型,亦能結合實際程式進行深入的探究,有助於讀者掌握與使用模型能力的提升。 ?適用讀者 對資料科學有興趣的初學者;資料科學家與工程研發相關技術人員;大專院校計算機、數學及相關領域專業培訓機構。 |
目錄:chapter 01 資料科學概述 1.1 挑戰 1.2 機器學習 1.3 統計模型 1.4 關於本書 chapter 02 Python安裝指南與簡介:告別空談 2.1 Python簡介 2.2 Python安裝 2.3 Python上手實作 2.4 本章小結 chapter 03 數學基礎:惱人但又不可或缺的知識 3.1 矩陣和向量空間 3.2 機率:量化隨機 3.3 微積分 3.4 本章小結 chapter 04 線性迴歸:模型之母 4.1 簡單的實例 4.2 上手實作:模型實現 4.3 模型陷阱 4.4 模型持久化 4.5 本章小結 chapter 05 邏輯迴歸:隱藏因數 5.1 二元分類問題:是與否 5.2 上手實作:模型實現 5.3 評估模型效果:孰優孰劣 5.4 多元分類問題:超越是與否 5.5 非均衡資料集 5.6 本章小結 chapter 06 專案實現:電腦是怎麼算的 6.1 演算法想法:模擬捲動 6.2 數值求解:梯度下降法 6.3 上手實作:程式實現 6.4 更優化的演算法:隨機梯度下降法 6.5 本章小結 chapter 07 計量經濟學的啟示:他山之石 7.1 定量與定性:變數的數學運算合理嗎 7.2 定性變數的處理 7.3 定量變數的處理 7.4 顯著性 7.5 多重共線性:多變數的煩惱 7.6 內生性:變化來自何處 7.7 本章小結 chapter 08 監督式學習:目標明確 8.1 支援向量學習機 8.2 核心函數 8.3 決策樹 8.4 樹的整合 8.5 本章小結 chapter 09 生成式模型:量化資訊的價值 9.1 貝氏框架 9.2 單純貝氏 9.3 判別分析 9.4 隱馬克夫模型 9.5 本章小結 chapter 10 非監督式學習:分群與降維 10.1 K-means 10.2 其他分群模型 10.3 Pipeline 10.4 主成分分析 10.5 奇異值分解 10.6 本章小結 chapter 11 分散式機器學習:集體力量 11.1 Spark簡介 11.2 最佳化問題的分散式解法 11.3 大數據模型的兩個維度 11.4 開放原始碼工具的另一面 11.5 本章小結 chapter 12 神經網路:模擬人的大腦 12.1 神經元 12.2 神經網路 12.3 反向傳播演算法 12.4 加強神經網路的學習效率 12.5 本章小結 chapter 13 深度學習:繼續探索 13.1 利用神經網路識別數位 13.2 卷積神經網路 13.3 其他深度學習模型 13.4 本章小結 |
序: |
|