關閉 

內文試閱

scikit-learn新手的晉級:實作各種機器學習解決方案

Mastering Machine Learning with scikit-learn - Second Edition

    ※庫存=1

    結帳去

      

    內容簡介  |   作者介紹  |   目錄  |   同類推薦   |  購物說明

    內容簡介

    使用scikit-learn探索各式機器學習模型,實作多種機器學習演算法

    機器學習是近年的熱門話題,它將電腦科學與統計學結合在一起,打造智慧又有效率的模型。你可以使用機器學習提供的強大演算法和技術,來自動化任何分析模型,而scikit-learn正是一個優秀的Python機器學習函式庫,它可以實作多種機器學習演算法,是非常好用的工具。

    本書詳細介紹一系列機器學習模型和scikit-learn的使用技巧。從機器學習的基礎理論講起,涵蓋了簡單線性迴歸、KNN演算法、特徵提取、多元線性迴歸、邏輯斯迴歸、單純貝氏、非線性分類、決策樹迴歸、隨機森林、感知器、支援向量機、類神經網路、K-MEANS演算法等重要話題。

    本書亦詳細討論資料預處理、超參數最佳化和整體(ensemble)方法。你也將學會使用scikit-learn的API,從分類變數、文本和影像之中提取特徵,一步步建立改善模型效能的專業直覺。

    適用讀者
    本書適合機器學習領域的工程師,也適合想要了解scikit-learn的資料科學家。

    在這本書中,你將學到:
    ・基本概念簡述,如「偏誤」和「變異數」
    ・建置能夠分類文件、識別影像及偵測廣告的系統
    ・使用「線性迴歸」和「KNN」預測連續變數的值
    ・使用「邏輯斯迴歸」和「支援向量機」對文件和影像進行分類
    ・使用「裝袋法」和「提升法」建立估計器整體
    ・使用K-MEANS集群發現資料中的隱藏結構
    ・在常見任務中評估機器學習系統的效能

    【下載範例程式檔案】
    本書的程式碼是由GitHub託管,可以在如下網址找到:
    https://github.com/PacktPublishing/Mastering-Machine-Learning-with-scikit-learn-Second-Edition

    <TOP>

    作者介紹

    Gavin Hackeling

    Gavin Hackeling是一名資料科學家和作家。他研究過各式各樣的機器學習問題,包括自動語音辨識、文件分類、物件辨識以及語義分割。他畢業於北卡羅來納大學和紐約大學。目前他和妻子與愛貓一起生活在布魯克林。

    <TOP>

    詳細資料

    EAN / 9789864344840
    頁數 / 256
    裝訂 / 平裝
    級別 / 普
    語言 / 繁體/中文

    <TOP>

    目錄

    前言

    第1章:機器學習基礎
    定義機器學習
    從經驗之中學習
    機器學習任務
    訓練資料、測試資料和驗證資料
    偏誤和變異數
    scikit-learn簡介
    安裝scikit-learn
    安裝pandas、Pillow、NLTK和matplotlib
    小結

    第2章:簡單線性迴歸
    簡單線性迴歸
    評價模型
    小結

    第3章:使用KNN演算法分類和迴歸
    KNN模型
    惰式學習和非參數模型
    KNN模型分類
    KNN模型迴歸
    小結

    第4章:特徵提取
    從分類變數中提取特徵
    特徵標準化
    從文本中提取特徵
    從影像中提取特徵
    小結

    第5章:從簡單線性迴歸到多元線性迴歸
    多元線性迴歸
    多項式迴歸
    正規化
    應用線性迴歸
    梯度下降法
    小結

    第6章:從線性迴歸到邏輯斯迴歸
    使用邏輯斯迴歸進行二元分類
    垃圾郵件過濾
    使用網格搜尋微調模型
    多元分類
    多標籤分類和問題轉換
    小結

    第7章:單純貝氏
    貝氏定理
    生成模型和判別模型
    單純貝氏
    在scikit-learn中使用單純貝氏
    小結

    第8章:非線性分類和決策樹迴歸
    決策樹
    訓練決策樹
    使用scikit-learn建立決策樹
    小結

    第9章:整體方法:從決策樹到隨機森林
    裝袋法
    提升法
    堆疊法
    小結

    第10章:感知器
    使用感知器進行文件分類
    感知器的侷限性
    小結

    第11章:從感知器到支援向量機
    核心與核技巧
    最大化分類邊界和支援向量
    使用scikit-learn分類字元
    小結

    第12章:從感知器到類神經網路
    非線性決策邊界
    前饋式類神經網路和回饋式類神經網路
    多層感知器
    訓練多層感知器
    小結

    第13章:K-MEANS演算法
    分群
    K-MEANS演算法
    評估集群
    影像量化
    透過分群學習特徵
    小結

    第14章:使用主成分分析降維
    主成分分析
    使用PCA對高維度資料視覺化
    使用PCA進行臉部辨識
    小結

    <TOP>

    如果你喜歡這商品,那你一定不能錯過...

    <TOP>

    購物說明

    退換貨說明

    如遇欲退換貨之情形,請於收貨日當天起算第7日(含)前以收執聯為憑,將商品與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等)以掛號方式寄回灰熊愛讀書客服部,否則恕不接受退貨。有特殊外包裝之商品,一經拆封(除運送包裝外之一切包裝),恕不接受退貨。
    詳細退換貨須知請參考FAQ

    <TOP>