TQC+ Python 3.x 機器學習基礎與應用特訓教材
林英志 編著.財團法人中華民國電腦技能基金會 總策劃
- 出版商: 碁峰 樂讀精選兩書75折(部分除外)
- 出版日期: 2021-03-19
- 定價: $590
- 售價: 7.9 折 $466 (限時優惠至 2024-12-04)
- 語言: 繁體中文
- 頁數: 368
- 裝訂: 平裝
- ISBN: 9865027593
- ISBN-13: 9789865027599
-
相關分類:
Python、程式語言、TQC、Machine Learning
立即出貨 (庫存 < 6)
買這商品的人也買了...
-
$699$552 -
$320$250 -
$550$435 -
$450$351 -
$450$356 -
$490$387 -
$580$568 -
$700$665 -
$580$458 -
$1,200$1,020 -
$690$345 -
$620$589 -
$474$450 -
$320$253 -
$580$458 -
$500$390 -
$500$390 -
$260$247 -
$500$390 -
$480$379 -
$500$395 -
$750$638 -
$480$379 -
$560$442 -
$580$458
相關主題
商品描述
本書遵循專業考科「TQC+ 人工智慧:機器學習Python 3」技能規範架構撰寫,符合鑑定的命題趨勢。
1.內容由淺入深,採循序漸進的方式建立您運用機器學習解決問題的基本概念,達到技術的傳承及表達,符合實務運用需求。
2.本書共有七個章節,包含「Python與機器學習」、「數據前處理」、「監督式學習:迴歸」、「監督式學習:分類」、「模型擬合、評估與超參數調校」、「非監督式學習:降維與分群」、「集成學習」、「機器學習應用」,帶領讀者快速從資料中自動分析獲得規律,並利用規律對未知資料進行預測與分類,是為實現人工智慧:機器學習實際表現之最佳讀本。
3.題庫練習 歡迎到雲端練功坊(https://cloud.csf.org.tw)來充電、練功。
4.配合中華民國電腦技能基金會(https://www.csf.org.tw)測驗,一舉取得專業證照,讓您求學、求職更具競爭力。
<序>
機器學習是實現人工智慧的一個途徑,而它已經開始改變了整個科技產業,隨著行動雲端、物聯網等新穎科技,持續對科技產業帶來破壞式創新。而面對未來快速變化的社會,欲解決複雜問題,必須運算思維結合工程的務實與效率及數理方面的抽象邏輯思考。然而Python程式語言,簡潔易讀的特性,正是非常適合來建構機器學習,機器學習可從資料中自動分析獲得規律,並利用規律對未知資料進行預測與分類,而在生活日益科技化與自動化的時代,如何讓機器能更精準、更有效率且更有智慧地替人們工作是相當重要的課題,本書亦將帶領我們更接近實現人工智慧實際表現最好的方法。
有鑑於此,本會為提供學習者更完整的軟體設計領域教材,特別聘請逢甲大學-林英志副教授著手策畫並完成本教材「Python3.x 機器學習基礎與應用特訓教材」之編著。作者在AI領域有豐富的教學經驗,將帶領您由零學起,掌握人工智慧-機器學習實務應用技術,並將「人工智慧:機器學習Python 3」認證之三大類別「監督式學習基礎與應用」、「非監督式學習基礎與應用」、「機器學習應用」的技能規範融入當中,採循序漸進的方式,完整的編寫在七個章節中,由淺入深建立您運用機器學習解決問題的基本概念,您只要按照本書之引導,按部就班的演練,定能將其化成心法與實戰技能,融會貫通並運用得淋漓盡致。
建議讀者在經過一段時間的學習之後,報考並取得TQC+ 軟體設計領域「人工智慧:機器學習Python 3」認證,為自己開創更多職場機會。在激烈的職場競爭中,成功的秘訣在於個人專業能力及對工作的責任感,擁有機器學習技術由資料中學習建立模型,進行分類、預測以解決問題,逐步邁向人工智慧實用學習技術,提高自我洞察力、反應力,可保障您在專業及就業上的競爭力,並在就業市場上搶得先機。
財團法人中華民國電腦技能基金會
董事長 杜全昌
目錄大綱
Chapter 0 Python與機器學習
0-1 Python發展與編寫環境
0-2 機器學習
0-3 機器學習使用Python
0-4 基礎數學與Python實作
0-5 小結
綜合範例
Chapter 1 數據前處理
1-1 數據類型
1-2 遺漏值
1-3 切割數據集
1-4 異常值
1-5 選取重要特徵
1-6 小結
綜合範例
Chapter 2 監督式學習:迴歸
2-1 線性迴歸
2-2 評估迴歸模型的效能
2-3 正規化的迴歸
2-4 處理非線性關係
2-5 小結
綜合範例
Chapter 3 監督式學習:分類
3-1 迴歸vs分類
3-2 評估分類器的效能
3-3 邏輯斯迴歸
3-4 支援向量機
3-5 簡單貝氏分類器
3-6 決策樹
3-7 k最近鄰
3-8 小結
綜合範例
Chapter 4 模型擬合、評估與超參數調校
4-1 工作流程管道化
4-2 過擬合與欠擬合
4-3 評估模型效能
4-4 調校超參數
4-5 處理類別不平衡
4-6 小結
綜合範例
Chapter 5 非監督式學習:降維與分群
5-1 主成份分析降維
5-2 k-means分群
5-3 階層式分群
5-4 DBSCAN分群
5-5 鄰近傳播分群
5-6 小結
綜合範例
Chapter 6 集成學習
6.1 以袋裝法集思廣益
6.2 以提升法互補有無
6.3 以堆疊法兼容並蓄
Chapter 7 機器學習應用
7.1 自然語言處理
7.2 序列資料處理