初探機器學習演算法
Giuseppe Bonaccorso 著、賴屹民 譯
- 出版商: 碁峰
- 出版日期: 2017-12-06
- 定價: $480
- 售價: 9.0 折 $432
- 語言: 繁體中文
- 頁數: 336
- ISBN: 9864766740
- ISBN-13: 9789864766741
-
相關分類:
Machine Learning 機器學習、Algorithms-data-structures 資料結構與演算法
- 相關原文書: Machine Learning Algorithms
立即出貨(限量) (庫存=6)
買這商品的人也買了...
-
![]()
$350$277啊哈！圖解演算法必學基礎
-
![]()
$528$502機器學習
-
![]()
$294$279鳳凰計畫：一個 IT計畫的傳奇故事 (The Phoenix Project : A Novel about IT, DevOps, and Helping your business win)（沙盤特別版）
-
![]()
$490$417改變未來 20年最重要的 20個視覺機器學習理論深讀
-
![]()
$590$460TensorFlow+Keras 深度學習人工智慧實務應用
-
![]()
$390$296寫程式前就該懂的演算法 ─ 資料分析與程式設計人員必學的邏輯思考術 (Grokking Algorithms: An illustrated guide for programmers and other curious people)
-
![]()
$796深度學習 (Deep Learning)
-
![]()
$580$458Deep Learning｜用 Python 進行深度學習的基礎理論實作
-
![]()
$480$379初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)
-
![]()
$680$612精通機器學習｜使用Python (Introduction to Machine Learning with Python: A Guide for Data Scientists)
-
![]()
$760$646巨型公司的網路架構 -- 分散式系統內部解密
-
![]()
$500$390Python：期貨演算法交易實務 121個關鍵技巧詳解
-
![]()
$450$356演算法圖鑑：26種演算法 + 7種資料結構，人工智慧、數據分析、邏輯思考的原理和應用 step by step 全圖解
-
![]()
$500$390為你自己學 Git
-
![]()
$699$552Python 入門邁向高手之路王者歸來
-
![]()
$380$300圖解區塊鏈
-
![]()
$294$279TensorFlow機器學習項目實戰 (Building Machine Learning Projects with TensorFlow)
-
![]()
$690$587自然語言處理：用人工智慧看懂中文
-
![]()
$620$484Python 深度學習 (Python Deep Learning)
-
![]()
$380$300區塊鏈｜未來經濟的藍圖 (Blockchain: Blueprint for a New Economy)
-
![]()
$650$507OpenCV + VTK + Visual Studio 影像辨識處理, 2/e
-
![]()
$380$296圖說演算法 : 使用 Python
-
![]()
$380$300機器學習入門｜從玻爾茲曼機械學習到深度學習
-
![]()
$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)
-
![]()
$380$342人工智慧導論 (鴻海教育基金會發行)
相關主題
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