Python機器學習第三版(上) ( 繁體 字) |
作者:Sebastian Raschka、Vahid Mirjalili 著 | 類別:1. -> 程式設計 -> Python 2. -> 程式設計 -> 機器學習 |
譯者:劉立民、吳建華 譯 |
出版社:博碩文化 | 3dWoo書號: 53328 詢問書籍請說出此書號!【缺書】 NT定價: 620 元 折扣價: 465 元
|
出版日:9/9/2020 |
頁數:416 |
光碟數:0 |
|
站長推薦: |
印刷:黑白印刷 | 語系: ( 繁體 版 ) |
|
加入購物車 │加到我的最愛 (請先登入會員) |
ISBN:9789864345182 |
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:網路下載範例檔 Python機器學習第三版(上)Python Machine Learning - Third Edition第三版-最新修訂版,新增TensorFlow 2、GAN和強化學習等實用內容使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習循序漸進、由淺入深,好評熱銷再進化!最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南,也是讀者在建立機器學習系統時的必備參考。有別於其他機器學習教科書,本書使用Python探求機器學習和深度學習的技術精髓,強調豐富實用的程式範例、條理分明的數學解釋,以及直覺友善的圖解說明,帶領讀者探索機器學習的眾多子領域,讓艱澀的概念栩栩如生。許多讀者告訴我們,他們非常喜歡本書第二版的前12章,因為它們全面介紹了機器學習與Python的科學計算。為了確保這些內容的相關性,我們依據讀者回饋,回顧並修改了這些章節,以支援最新版本的NumPy、SciPy、pandas、matplotlib和scikit-learn,並規劃成本書的上冊。而TensorFlow 2.0更是深度學習領域最振奮人心的事件之一,所有與TensorFlow有關的章節(第13章到第16章,規劃成本書的下冊)都進行了大幅度修改。除了介紹Keras API與scikit-learn的最新功能之外,本書也探討自然語言處理(NLP)的子領域「情緒分析」,以及強化學習(RL)和生成對抗網路(GAN)等時下最流行的AI技術(第17章和第18章)。無論你是有經驗的程式設計師,或是機器學習新手,或你只想進一步深入了解機器學習的最新發展,本書將是你在機器學習之旅中的絕佳良伴。在這本書中,你將學到:? 掌握能讓機器從數據中「學習」的框架、模型和技術? 使用scikit-learn進行機器學習、使用TensorFlow進行深度學習? 利用機器學習來做影像分類、情緒分析與智慧Web應用程式? 訓練類神經網路、GAN與其它模型? 結合機器學習模型與Web應用程式? 為機器學習工作清理並準備數據? 用深度卷積類神經網路來分類影像? 了解評估和調校模型的最佳實作? 使用迴歸分析來預測連續目標? 利用「集群」來發掘數據中隱藏的模式與結構? 使用「情緒分析」深入研究文本和社群媒體數據? 上冊包含本書前12章,下冊則包含第13章到第18章。【下載範例程式檔案】本書的程式碼是由GitHub託管,可點選下面圖案前往下載:https://github.com/rasbt/python-machine-learning-book-3rd-edition【下載本書的彩色圖片】我們還提供您一個PDF檔案,其中包含本書使用的彩色圖表。 |
目錄:前言
第1章:賦予電腦從數據中學習的能力 製作智慧機器,將數據轉成知識 三種不同類型的機器學習 基本術語和符號 建構機器學習系統的準則 使用Python 來做機器學習 小結
第2章:訓練簡單的機器學習分類演算法 類神經元-早期機器學習的驚鴻一撇 以Python 實作感知器學習演算法 適應線性神經元和學習的收斂 小結
第3章:使用scikit-learn巡覽機器學習分類器 選擇一個分類演算法 首次使用scikit-learn-訓練感知器 以邏輯斯迴歸對類別機率塑模 以支援向量機處理最大化分類邊界 使用核心支援向量機解決非線性問題 決策樹學習 k最近鄰-惰式學習演算法 小結
第4章:建置良好的訓練數據集-數據預處理 處理數據遺漏 處理分類數據 將數據集區分為訓練用與測試用 縮放特徵令其具相同比例 選取有意義的特徵 以隨機森林評估特徵的重要性 小結
第5章:透過降維來壓縮數據 以主成分分析對非監督式數據壓縮 利用線性判別分析做監督式數據壓縮 利用核主成分分析處理非線性對應 小結
第6章:學習模型評估和超參數調校的最佳實作 以管線來簡化工作流程 使用k折交叉驗證法來評估模型效能 使用學習曲線和驗證曲線來對演算法除錯 以網格搜尋微調機器學習模型 其他不同的效能指標 處理類別不平衡的狀況 小結
第7章:結合不同模型來做整體學習 從整體中學習 以多數決結合分類器 裝袋法-以自助樣本建立整體分類器 利用適應強化來提升弱學習器效能 小結
第8章:將機器學習應用於情緒分析 準備IMDb影評數據以便進行文字處理 詞袋模型簡介 訓練一個邏輯斯迴歸模型來做文件分類 處理更大的數據-線上演算法與核外學習 小結
第9章:在Web應用程式上嵌入機器學習模型 序列化適合完成的scikit-learn估計器 設定SQLite資料庫來儲存數據 使用Flask來開發Web應用程式 將影評分類器整合到Web應用程式中 將Web應用程式部署到公共伺服器 小結
第10章:以迴歸分析預測連續目標變數 線性迴歸簡介 探索房屋數據集 使用RANSAC找出強固的迴歸模型 評估線性迴歸模型的效能 使用正規化方法做迴歸 將線性迴歸模型轉成曲線-多項式迴歸 使用隨機森林處理非線性關係 小結
第11章:處理未標記的數據-集群分析 使用k-means來集群相似物件 以階層樹的方式組織集群 使用DBSCAN來定位高密度區域 小結
第12章:從零開始實作多層類神經網路 以類神經網路來對複雜函數塑模 分類手寫數字 訓練一個類神經網路 關於類神經網路的收斂 實作類神經網路的幾句提醒 小結
|
序: |