-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

新手村逃脫!初心者的 Python 機器學習攻略

( 繁體 字)
作者:郭耀仁類別:1. -> 程式設計 -> Python
   2. -> 程式設計 -> 機器學習
譯者:
出版社:博碩文化新手村逃脫!初心者的 Python 機器學習攻略 3dWoo書號: 53271
詢問書籍請說出此書號!

缺書
NT定價: 500
折扣價: 375

出版日:8/20/2020
頁數:256
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 繁體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9789864345076
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

線上下載內容: 範例程式碼
? 先使用套件現成類別與函式? 再認識演算方法理論與推導? 最後使用自行定義類別重現內容簡介本書內容改編自第 8 屆 iT 邦幫忙鐵人賽,Big Data 組冠軍網路系列文章──《 R 語言使用者的 Python 學習筆記》,從系列文章中後段開始改寫,省略了原本 Python 基礎語法、網頁資料擷取(俗稱爬蟲)與 Pandas 的章節,著重在以 NumPy、Matplotlib、Scikit-Learn 入門機器學習基礎理論的部分,並與作者的實體課程 (臺大工商管理學系、臺大資工系統訓練班與中華電信學院等資料科學課程) 教材整合編修而成。三大重點? 先使用套件現成類別與函式 ?NumPy 的 N 維陣列操作與運算 ?物件導向風格的 Matplotlib 視覺化 ?Scikit-Learn 的五個核心理念 ?Keras 的模型建立步驟? 再認識演算方法理論與推導 ?均方誤差函式 ?梯度遞減演算方法 ?交叉熵函式 ?前向傳播與反向傳播? 最後使用自行定義類別重現 ?正規方程類別 ?梯度遞減類別與 AdaGrad 類別 ?羅吉斯迴歸類別 ?深度學習類別
目錄:

CHAPTER 1 關於視覺化與機器學習
1.1 一個資料科學專案
1.2 何謂視覺化
1.3 為何視覺化
1.4 何謂機器學習
1.5 pyvizml 模組
1.6 為何機器學習
1.7 延伸閱讀
CHAPTER 2 數列運算
2.1 關於 NumPy
2.2 為何 NumPy
2.3 如何建立 ndarray
2.4 常用的 ndarray 屬性
2.5 純量、向量、矩陣與張量
2.6 ndarray 的索引
2.7 ndarray 的切割
2.8 ndarray 特別的索引
2.9 重塑外觀
2.10 複製陣列
2.11 合併陣列
2.12 通用函式
2.13 聚合函式
2.14 延伸閱讀
CHAPTER 3 資料探索
3.1 關於 Matplotlib
3.2 為何 Matplotlib
3.3 使用 Matplotlib 的兩種方式
3.4 輸出 Matplotlib 作圖
3.5 常見的探索性資料分析
3.6 觀察數值資料相關性的需求
3.7 觀察類別資料排序的需求
3.8 觀察數值資料分布的需求
3.9 觀察數學函式外觀的需求
3.10 觀察區域海拔高度的需求
3.11 顯示二維數值陣列的需求
3.12 如何為圖形增加元素
3.13 如何在圖形中加入中文字
3.14 如何繪製子圖
3.15 延伸閱讀
CHAPTER 4 機器學習入門
4.1 關於 Scikit-Learn
4.2 為何 Scikit-Learn
4.3 五個核心理念
4.4 機器學習的資料表達
4.5 Scikit-Learn 的支援場景
4.6 關於訓練、驗證與測試資料
4.7 延伸閱讀
CHAPTER 5 數值預測的任務
5.1 關於數值預測的任務
5.2 以 Scikit-Learn 預測器完成數值預測任務
5.3 正規方程 Normal Equation
5.4 自訂正規方程類別 NormalEquation
5.5 計算複雜性
5.6 梯度遞減 Gradient Descent
5.7 自訂梯度遞減類別 GradientDescent
5.8 標準化與進階的梯度遞減
5.9 延伸閱讀
CHAPTER 6 類別預測的任務
6.1 關於類別預測的任務
6.2 以 Scikit-Learn 預測器完成類別預測任務
6.3 羅吉斯迴歸
6.4 自訂羅吉斯迴歸類別 LogitReg
6.5 二元分類延伸至多元分類:One versus rest
6.6 二元分類延伸至多元分類:Softmax 函式
6.7 兩種表示類別向量的形式
6.8 延伸閱讀
CHAPTER 7 表現的評估
7.1 如何評估機器學習演算方法
7.2 評估數值預測任務的表現
7.3 評估類別預測任務的表現
7.4 自訂計算評估指標的類別 ClfMetrics
7.5 誤差的來源
7.6 減少訓練誤差
7.7 減少訓練誤差與測試誤差的間距
7.8 延伸閱讀
CHAPTER 8 深度學習入門
8.1 什麼是深度學習
8.2 為何深度學習
8.3 什麼是 Keras
8.4 為何 Keras
8.5 撰寫 Keras 的步驟
8.6 前向傳播
8.7 反向傳播
8.8 自訂深度學習類別 DeepLearning
8.9 MNIST 資料與時裝 MNIST 資料
8.10 延伸閱讀
APPENDIX A pyvizml.py
序: