庫存狀況
「香港二樓書店」讓您 愛上二樓●愛上書
我的購物車 加入會員 會員中心 常見問題 首頁
「香港二樓書店」邁向第一華人書店
登入 客戶評價 whatsapp 常見問題 加入會員 會員專區 現貨書籍 現貨書籍 購物流程 運費計算 我的購物車 聯絡我們 返回首頁
香港二樓書店 > 今日好書推介
二樓書籍分類
 
Python機器學習第三版(上)

Python機器學習第三版(上)

沒有庫存
訂購需時10-14天
9789864345182
Sebastian Raschka,Vahid Mirjalili
劉立民,吳建華
博碩
2020年9月14日
207.00  元
HK$ 175.95  






ISBN:9789864345182
  • 規格:平裝 / 416頁 / 17 x 23 x 2.08 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣


  • >

















    第三版-最新修訂版,新增TensorFlow 2、GAN和強化學習等實用內容

    使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習



      循序漸進、由淺入深,好評熱銷再進化!最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南,也是讀者在建立機器學習系統時的必備參考。有別於其他機器學習教科書,本書使用Python探求機器學習和深度學習的技術精髓,強調豐富實用的程式範例、條理分明的數學解釋,以及直覺友善的圖解說明,帶領讀者探索機器學習的眾多子領域,讓艱澀的概念栩栩如生。



      許多讀者告訴我們,他們非常喜歡本書第二版的前12章,因為它們全面介紹了機器學習與Python的科學計算。為了確保這些內容的相關性,我們依據讀者回饋,回顧並修改了這些章節,以支援最新版本的NumPy、SciPy、pandas、matplotlib和scikit-learn,並規劃成本書的上冊。而TensorFlow 2.0更是深度學習領域最振奮人心的事件之一,所有與TensorFlow有關的章節(第13章到第16章,規劃成本書的下冊)都進行了大幅度修改。除了介紹Keras API與scikit-learn的最新功能之外,本書也探討自然語言處理(NLP)的子領域「情緒分析」,以及強化學習(RL)和生成對抗網路(GAN)等時下最流行的AI技術(第17章和第18章)。



      無論你是有經驗的程式設計師,或是機器學習新手,或你只想進一步深入了解機器學習的最新發展,本書將是你在機器學習之旅中的絕佳良伴。



      在這本書中,你將學到:



      .掌握能讓機器從數據中「學習」的框架、模型和技術

      .使用scikit-learn進行機器學習、使用TensorFlow進行深度學習

      .利用機器學習來做影像分類、情緒分析與智慧Web應用程式

      .訓練類神經網路、GAN與其它模型

      .結合機器學習模型與Web應用程式

      .為機器學習工作清理並準備數據

      .用深度卷積類神經網路來分類影像

      .了解評估和調校模型的最佳實作

      .使用迴歸分析來預測連續目標

      .利用「集群」來發掘數據中隱藏的模式與結構

      .使用「情緒分析」深入研究文本和社群媒體數據

      .上冊包含本書前12章,下冊則包含第13章到第18章。



      【下載範例程式檔案】

      本書的程式碼是由GitHub託管,可點選下面圖案前往下載:

      github.com/rasbt/python-machine-learning-book-3rd-edition



      【下載本書的彩色圖片】

      我們還提供您一個PDF檔案,其中包含本書使用的彩色圖表,可以在此下載:

      static.packt-cdn.com/downloads/9781789955750_ColorImages.pdf

    ?


     





    前言

    ?

    第1章:賦予電腦從數據中學習的能力

    製作智慧機器,將數據轉成知識

    三種不同類型的機器學習

    基本術語和符號

    建構機器學習系統的準則

    使用Python 來做機器學習

    小結

    ?

    第2章:訓練簡單的機器學習分類演算法

    類神經元-早期機器學習的驚鴻一撇

    以Python 實作感知器學習演算法

    適應線性神經元和學習的收斂

    小結

    ?

    第3章:使用scikit-learn巡覽機器學習分類器

    選擇一個分類演算法

    首次使用scikit-learn-訓練感知器

    以邏輯斯迴歸對類別機率塑模

    以支援向量機處理最大化分類邊界

    使用核心支援向量機解決非線性問題

    決策樹學習

    k最近鄰-惰式學習演算法

    小結

    ?

    第4章:建置良好的訓練數據集-數據預處理

    處理數據遺漏

    處理分類數據

    將數據集區分為訓練用與測試用

    縮放特徵令其具相同比例

    選取有意義的特徵

    以隨機森林評估特徵的重要性

    小結

    ?

    第5章:透過降維來壓縮數據

    以主成分分析對非監督式數據壓縮

    利用線性判別分析做監督式數據壓縮

    利用核主成分分析處理非線性對應

    小結

    ?

    第6章:學習模型評估和超參數調校的最佳實作

    以管線來簡化工作流程

    使用k折交叉驗證法來評估模型效能

    使用學習曲線和驗證曲線來對演算法除錯

    以網格搜尋微調機器學習模型

    其他不同的效能指標

    處理類別不平衡的狀況

    小結

    ?

    第7章:結合不同模型來做整體學習

    從整體中學習

    以多數決結合分類器

    裝袋法-以自助樣本建立整體分類器

    利用適應強化來提升弱學習器效能

    小結

    ?

    第8章:將機器學習應用於情緒分析

    準備IMDb影評數據以便進行文字處理

    詞袋模型簡介

    訓練一個邏輯斯迴歸模型來做文件分類

    處理更大的數據-線上演算法與核外學習

    小結

    ?

    第9章:在Web應用程式上嵌入機器學習模型

    序列化適合完成的scikit-learn估計器

    設定SQLite資料庫來儲存數據

    使用Flask來開發Web應用程式

    將影評分類器整合到Web應用程式中

    將Web應用程式部署到公共伺服器

    小結

    ?

    第10章:以迴歸分析預測連續目標變數

    線性迴歸簡介

    探索房屋數據集

    使用RANSAC找出強固的迴歸模型

    評估線性迴歸模型的效能

    使用正規化方法做迴歸

    將線性迴歸模型轉成曲線-多項式迴歸

    使用隨機森林處理非線性關係

    小結

    ?

    第11章:處理未標記的數據-集群分析

    使用k-means來集群相似物件

    以階層樹的方式組織集群

    使用DBSCAN來定位高密度區域

    小結

    ?

    第12章:從零開始實作多層類神經網路

    以類神經網路來對複雜函數塑模

    分類手寫數字

    訓練一個類神經網路

    關於類神經網路的收斂

    實作類神經網路的幾句提醒

    小結

    ?




    其 他 著 作
    1. Python機器學習第三版(下)