 |
-- 會員 / 註冊 --
|
 |
|
|
|
GO語言機器學習實戰 ( 簡體 字) |
| 作者：[澳]周軒逸（Xuanyi Chew） | 類別：1. -> 程式設計 -> Go語言
2. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 52666
詢問書籍請說出此書號！【有庫存】
NT售價： 395 元 |
| 出版日：4/1/2020 |
| 頁數：223 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111645894 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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： |
目錄：第1章 如何解決機器學習中的所有問題 // 1
1.1 什麼是一個問題 // 1
1.2 什麼是一個演算法 // 2
1.3 什麼是機器學習 // 3
1.4 是否需要機器學習 // 3
1.5 一般問題解決過程 // 4
1.6 什麼是一個模型 // 5
1.6.1 什麼是一個好的模型 // 6
1.7 本書主要內容與章節安排 // 6
1.8 為什麼選擇Go語言 // 7
1.9 快速啟動 // 7
1.10 函數 // 7
1.11 變數 // 8
1.11.1 值 // 9
1.11.2 類型 // 9
1.11.3 方法 // 11
1.11.4 介面 // 11
1.11.5 包和導入 // 12
1.12 開始 // 13
第2章 線性回歸———房價預測 // 14
2.1 專案背景 // 15
2.2 探索性資料分析 // 15
2.2.1 資料攝取和索引 // 16
2.2.2 資料清洗工作 // 18
2.2.3 進一步的探索性工作 // 25
2.2.4 標準化 // 33
2.3 線性回歸 // 34
2.3.1 回歸 // 35
2.3.2 交叉驗證 // 37
2.4 討論和下一步的工作 // 39
2.5 小結 // 40
第3章 分類———垃圾郵件檢測 // 41
3.1 專案背景 // 41
3.2 探索性資料分析 // 42
3.2.1 資料標記 // 42
3.2.2 規範化和詞幹提取 // 45
3.2.3 停用詞 // 45
3.2.4 數據攝取 // 46
3.3 分類器 // 47
3.4 樸素貝葉斯 // 48
3.4.1 TF-IDF // 48
3.4.2 條件概率 // 49
3.4.3 特徵 // 51
3.4.4 貝葉斯定理 // 51
3.5 分類器實現 // 52
3.5.1 類 // 53
3.5.2 分類器第Ⅱ部分 // 54
3.6 程式整合 // 58
3.7 小結 // 61
第4章 利用時間序列分析分解二氧化碳趨勢 // 62
4.1 探索性資料分析 // 62
4.1.1 從非HTTP資料來源下載 // 63
4.1.2 處理非標準資料 // 63
4.1.3 處理小數型日期 // 64
4.1.4 繪圖 // 65
4.2 分解 // 68
4.2.1 STL // 69
4.2.2 更多繪製內容 // 81
4.3 預測 // 86
4.4 小結 // 89
參考文獻 // 89
第5章 通過聚類整理個人推特帳戶的時間線 // 90
5.1 專案背景 // 90
5.2 K均值 // 90
5.3 DBSCAN // 92
5.4 資料獲取 // 92
5.5 探索性資料分析 // 92
5.6 資料資訊 // 96
5.6.1 處理器 // 97
5.6.2 單字預處理 // 99
5.6.3 單條推特處理 // 103
5.7 聚類 // 103
5.7.1 K均值聚類 // 104
5.7.2 DBSCAN聚類 // 105
5.7.3 DMMClust聚類 // 107
5.8 實際資料 // 108
5.9 程式 // 111
5.10 程式調整 // 113
5.10.1 距離調整 // 114
5.10.2 預處理步驟調整 // 115
5.11 小結 // 117
第6章 神經網路———MNIST手寫體識別 // 118
6.1 神經網路 // 118
6.1.1 類比神經網路 // 119
6.2 線性代數101 // 121
6.2.1 啟動函數探討 // 123
6.3 學習功能 // 125
6.4 專案背景 // 126
6.4.1 Gorgonia // 126
6.4.2 資料獲取 // 126
6.4.3 什麼是張量 // 129
6.4.4 構建神經網路 // 138
6.4.5 前饋 // 139
6.4.6 利用maybe類型進行錯誤處理 // 140
6.4.7 前饋函數說明 // 142
6.4.8 成本 // 143
6.4.9 反向傳播 // 143
6.5 神經網路訓練 // 146
6.6 交叉驗證 // 148
6.7 小結 // 150
第7章 卷積神經網路———MNIST手寫體識別 // 151
7.1 有關神經元的一切認識都是錯誤的 // 151
7.2 回顧神經網路 // 151
7.2.1 Gorgonia // 152
7.2.2 構建一個神經網路 // 161
7.3 項目 // 164
7.3.1 資料獲取 // 164
7.3.2 上一章的其他內容 // 166
7.4 CNN簡介 // 168
7.4.1 什麼是卷積 // 168
7.4.2 最大池化 // 176
7.4.3 退出 // 176
7.5 構建一個CNN // 176
7.5.1 反向傳播 // 180
7.6 運行神經網路 // 182
7.7 測試 // 186
7.7.1 準確率 // 188
7.8 小結 // 189
第8章 基本人臉檢測 // 190
8.1 什麼是人臉 // 190
8.1.1 Viola-Jones // 191
8.2 PICO // 194
8.2.1 關於學習的注意事項 // 194
8.3 GoCV // 195
8.3.1 API // 195
8.4 PIGO // 195
8.5 人臉檢測程式 // 196
8.5.1 從網路攝像頭獲取圖像 // 196
8.5.2 圖像顯示 // 197
8.5.3 在圖像上塗鴉 // 198
8.5.4 人臉檢測1 // 198
8.5.5 人臉檢測2 // 200
8.5.6 演算法結合 // 205
8.6 演算法評估 // 206
8.7 小結 // 208
第9章 熱狗或者不是熱狗———使用外部服務 // 209
9.1 MachineBox // 209
9.2 什麼是MachineBox // 210
9.2.1 登錄和註冊 // 210
9.2.2 Docker安裝與設置 // 211
9.2.3 在Go語言中使用 MachineBox // 211
9.3 項目 // 212
|
| 序： |
|
