站穩 AI 大師的第一步:最直覺機器學習

王聖元

立即出貨 (庫存 > 10)

  • 站穩 AI 大師的第一步:最直覺機器學習-preview-1
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-2
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-3
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-4
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-5
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-6
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-7
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-8
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-9
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-10
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-11
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-12
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-13
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-14
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-15
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-16
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-17
  • 站穩 AI 大師的第一步:最直覺機器學習-preview-18
站穩 AI 大師的第一步:最直覺機器學習-preview-1

買這商品的人也買了...

商品描述

本書特色
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重,全盤了解機器學習
內容簡介
本書重點
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重,全盤了解機器學習
◎ 線性、非線性、整合模型說明
◎ 線性回歸怎麼來的,邏輯回歸怎麼走的,正規化
◎ 支援向量機精華,決策樹以及單純貝氏定理
◎ 神經網路及正反向傳播的推導
◎ 整合學習的來龍去脈,隨機森林和提升樹
◎ xgboost極度梯度提升
本書主要內容
學習並精通任何一門學科無外乎要經過四個步驟:它是什麼?它可行嗎?怎麼學它?如何學好它?機器學習也不例外,本書就以這四個步驟來介紹機器學習。
每一章都以通俗的引言開始,吸引讀者;以精美的思維導圖過渡,讓說明想法更清晰;以簡要的歸納結束,讓讀者加強所學的知識。理論和實作相結合,既有嚴謹的數學推導,又有多樣(Python 和MATLAB)的程式展示,圖文並茂。
前3 章屬於機器學習的概述。作者在這3 章花費的時間最多,絕對讓讀者有所收穫。
第4~14 章介紹「如何學好機器學習」,重點介紹機器學習的各種演算法和調參技巧。
第1章「機器學習是什麼」,從定義開始,詳細介紹機器學習有關的知識、資料和效能度量。
第2章「機器學習可行嗎」,介紹機器具備學習樣本以外的資料的能力。
第3章「機器學習怎麼學」,介紹機器如何選擇出最佳模型。
第4~8章 介紹線性模型,包含線性回歸模型、對率回歸模型、正規化回歸模型、支援向量機模型。
第9~11章 介紹非線性模型,包含單純貝氏模型、決策樹模型、類神經網路模型、正向/反向傳播模型。
第12~14章 介紹整合模型,包含隨機森林模型、提升樹模型、極度梯度提升模型。
第15章 介紹機器學習中的一些非常實用的經驗,包括學習策略、目標設定、誤差分析、偏差和方差分析。
適合讀者群:機器學習初學者、對機器學習感興趣者,或大專院校相關科系學生。

作者簡介

王聖元 
金融風險管理師;特許另類投資分析師。
學習及工作經歷:現任新加坡某金融諮詢公司總監。擁有新加坡國立大學
量化金融學士學位和金融數學碩士學位。 
自我學習過程:獲得金融風險管理師 (FRM) 和特許另類投資分析師 (CAIA)認證,及 Coursera 頒發的機器學習、深度學習和TensorFlow實戰的認證。
平時堅持寫作,是公眾號「王的機器」的主理人,分享了關於金融工程、機器學習和量化投資的文章。
信念:“Yearning for Learning, Leading by Reading, Distilling by Writing.」(多學多讀多寫,終身渴望學習,通過讀書保持領先,通過寫作用心灌輸。)

目錄大綱

目錄
前言
01 | 機器學習是什麼--機器學習定義
1.1 資料 
1.2 機器學習類別
1.3 效能度量
1.4 歸納
參考資料
02 | 機器學習可行嗎--計算學習理論
2.1 基礎知識 
2.2 核心推導 
2.3 結論應用 
2.4 歸納 
參考資料 
技術附錄 
03 | 機器學習怎麼學--模型評估選擇
3.1 模型評估 
3.2 訓練誤差和測試誤差 
3.3 驗證誤差和交換驗證誤差
3.4 誤差剖析 
3.5 模型選擇 
3.6 歸納 
參考資料 
技術附錄 
04 | 線性回歸
4.1 基礎知識 
4.2 模型介紹
4.3 歸納 
參考資料 
05 | 邏輯回歸
5.1 基礎內容 
5.2 模型介紹
5.3 歸納 
參考資料 
06 | 正規化回歸
6.1 基礎知識 
6.2 模型介紹
6.3 歸納 
參考資料
07 | 支援向量機
7.1 基礎知識
7.2 模型介紹 
7.3 歸納 
參考資料
技術附錄 
08 | 單純貝氏
8.1 基礎知識 
8.2 模型介紹 
8.3 歸納
參考資料 
技術附錄
09 | 決策樹
9.1 基礎知識
9.2 模型介紹 
9.3 歸納
參考資料 
10 | 類神經網路
10.1 基礎 
10.2 模型應用 
11 | 正向/反向傳播
11.1 基礎知識
11.2 演算法介紹
11.3 歸納
參考資料
技術附錄 
12 | 整合學習
12.1 結合假設
12.2 裝袋法 
12.3 提升法
12.4 整合方式 
12.5 歸納
參考資料 
13 | 隨機森林和提升樹
13.1 基礎知識 
13.2 模型介紹 
13.3 歸納
參考資料
14 | 極度梯度提升
14.1 基礎知識 
14.2 模型介紹 
14.3 歸納
參考資料 
15 | 本書歸納
15.1 正交策略
15.2 單值評估指標 
15.3 偏差和方差
A | 結語