Python 機器學習 (上), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)

Sebastian Raschka、Vahid Mirjalili 著 劉立民、吳建華 譯

買這商品的人也買了...

商品描述

Python機器學習第三版(上)
Python Machine Learning - Third Edition

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,可以在此下載:
https://static.packt-cdn.com/downloads/9781789955750_ColorImages.pdf
 

作者簡介

Sebastian Raschka 擁有密西根州立大學(Michigan State University)的博士學位,在那裡,他專攻開發將「計算生物學」(computational biology)與「機器學習」結合使用的方法。2018年的夏天,他加入威斯康辛大學麥迪遜分校(University of Wisconsin-Madison),擔任「統計學」的助理教授。他的研究活動包括開發「新的深度學習架構」來解決生物識別(biometrics)領域的問題。

他引以為傲的成就之一是他的著作《Python機器學習》,這也是Packt和Amazon上的暢銷書。本書在2016年榮獲ACM的最佳計算類別獎項(Best of Computing award),並被翻譯成多種不同語言,包括德文、韓文、中文、日文、俄文、波蘭文和義大利文。

Vahid Mirjalili 是密西根州立大學的機械工程博士,專攻大規模「分子結構」計算模擬的新方法研究。他曾是密西根州立大學「iPRoBe實驗室」的一員,致力於各種機器學習在「電腦視覺」與「生物識別」中的應用專案。在「iPRoBe實驗室」與「學術界」耕耘了多年之後,他最近加入3M公司,成為一位研究科學家,利用他的「專業知識」以及應用機器學習與深度學習的「先進技術」,在各種應用程式中解決真實世界的問題,讓生活變得更好。

目錄大綱

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