機器學習｜工作現場的評估、導入與實作
有賀康顕、中山心太、西林孝 許郁文
- 出版商: 歐萊禮
- 出版日期: 2018-09-06
- 定價: $580
- 售價: 7.9 折 $458
- 語言: 繁體中文
- 頁數: 256
- ISBN: 9864768999
- ISBN-13: 9789864768998
-
相關分類:
Machine Learning
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
精通 Python｜運用簡單的套件進行現代運算 (Introducing Python: Modern Computing in Simple Packages)$780$616 -
資料科學的商業運用 (Data science for business)$680$537 -
演算法技術手冊, 2/e (Algorithms in a Nutshell: A Practical Guide, 2/e)$580$458 -
MySQL 與 MariaDB 學習手冊 (Learning MySQL and MariaDB: Heading in the Right Direction with MySQL and MariaDB)$680$537 -
初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)$480$379 -
鳳凰專案｜看 IT部門如何讓公司從谷底翻身的傳奇故事$480$379 -
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$450$356 -
Python 資料科學學習手冊 (Python Data Science Handbook: Essential Tools for Working with Data)$780$616 -
優雅的 SciPy｜Python 科學研究的美學 (Elegant SciPy: The Art of Scientific Python)$580$458 -
Deep 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)$620$490 -
Flask 網頁開發, 2/e (Flask Web Development : Developing Web Applications with Python, 2/e)$580$458 -
Python 機器學習, 2/e (Python Machine Learning, 2/e)$690$538 -
練好機器學習的基本功｜用 Python 進行基礎數學理論的實作$450$383 -
初探深度學習｜使用 TensorFlow (TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning)$480$379 -
Python 資料分析, 2/e (Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, 2/e)$880$695 -
AI視覺大全：用最好用的 PyTorch 實作$540$459 -
Web API 建構與設計 (Designing Web APIs: Building APIs That Developers Love)$480$379 -
Deep Learning 2｜用 Python 進行自然語言處理的基礎理論實作$680$537 -
7天學會大數據資料處理 — NoSQL：MongoDB 入門與活用, 3/e$520$406 -
Python 機器學習錦囊妙計 (Machine Learning with Python Cookbook)$580$458 -
機器學習工程師面試全破解：嚴選124道AI演算法決勝題完整剖析$650$507 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
精通機器學習｜使用 Scikit-Learn , Keras 與 TensorFlow, 2/e (Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2/e)$1,200$948 -
機器學習｜特徵工程 (Feature Engineering for Machine Learning)$520$411 -
機器學習設計模式 (Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops)$680$537
相關主題
商品描述
本書是專為想要將機器學習實際應用在工作上的讀者所寫的書，說明如何在職場上應用機器學習與資料分析的工具。
透過本書，您可以了解：
．如何啟動機器學習的專案
．如何讓機器學習與現存的系統互動
．如何收集機器學習的資料
．如何建立假設與分析
．機器學習的基礎知識
．分門別類介紹機器學習演算法的各種特徵
．以阻絕垃圾郵件的範例說明如何評估離線預測模型的方法
．如何在機器學習的分類工作收集正確資料的方法
．使用統計學的檢定、因果推論、A/B測試驗證方案效果
目錄大綱
第一章 推動機器學習專案的方法
1.1 機器學習都如何應用？
1.2 機器學習專案的流程
1.3 系統實際常見的機器學習問題與處理方法
1.4 如何成功打造機器學習的系統？
第二章 機器學習的功能
2.1 該選擇何種演算法？
2.2 分類
2.3 迴歸
2.4 集群、降維
2.5 其他
第三章 評估學習結果
3.1 分類的評估矩陣
3.2 迴歸的評估
3.3 將機器學習嵌入系統的A/B測試
第四章 在系統嵌入機器學習
4.1 讓機器學習嵌入系統的流程
4.2 系統設計
4.3 歷程設計
第五章 收集學習所需的資源
5.1 取得學習所需的資源的方法
5.2 使用公開的資料集或模型製作訓練資料
5.3 開發者自行建立訓練資料
5.4 請同事或朋友輸入資料，藉此建立訓練資料
5.5 透過群眾外包的方式建立訓練資料
5.6 在服務建立由使用者輸入的機制
第六章 效果驗證
6.1 效果驗證的概要
6.2 假設檢定的框架
6.3 假設檢定的注意事項
6.4 因果效果的推測
6.5 A/B 測試
第七章 打造電影推薦系統
7.1 劇本
7.2 進一步了解推薦系統
7.3 觀察MovieLens 的資料傾向
7.4 建置推薦系統
7.5 本章總結
第八章 Kickstarter的分析、不使用機器學習的選項
8.1 調查Kickstarter 的API
8.2 製作Kickstarter 的網路爬蟲
8.3 將JSON 資料轉換成CSV
8.4 在Excel 稍微瀏覽內容
8.5 利用樞紐分析表從各角度分析
8.6 觀察目標金額達成卻取消的專案
8.7 觀察各國情況
8.8 製作報表
8.9 今後預定事項
8.10 本章總結
第九章 利用Uplift Modeling 有效分配行銷資源
9.1 Uplift Modeling 的四象限
9.2 相當於A/B測試強化版的Uplift Modeling的概要
9.3 製作Uplift Modeling 所需的資料集
9.4 使用兩個預測模組的Uplift Modeling
9.5 Upift Modeling的評估方法AUUC
9.6 於實務問題的應用
9.7 如何於正式環境使用Uplift Modeling？
