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
 
集成式學習:Python 實踐!整合全部技術,打造最強模型

集成式學習:Python

沒有庫存
訂購需時10-14天
9789863126942
George Kyriakides,Konstantinos G. Margaritis
張康寶
旗標
2022年2月09日
250.00  元
HK$ 225  






ISBN:9789863126942
  • 規格:平裝 / 384頁 / 17 x 23 x 2.3 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣


  • >

















    別再傻傻只選一個模型



      訓練很多模型,卻不知道應該選哪一個?沒有一個模型達標?每個模型都有其優缺點,無法取捨?



      小朋友才做選擇,大人全都要!你該試試集成式學習!



      集成式學習是使用 2 種或更多的機器學習演算法,來組合出預測能力更好的模型。DeepMind 已經使用集成式學習來組合多個神經網路,控制 Google 資料中心的運作效能;集成式學習技術也在 Kaggle 平台上,席捲了各個競賽的第一名寶座。因此,集成式學習是建立出更具威力的模型,不可或缺的技術之一。



      本書會介紹實務上常見的集成式學習演算法,如硬投票、軟投票、堆疊法、自助聚合法、適應提升法、梯度提升法、隨機森林、極端隨機樹等,並且使用熱門的 scikit-learn、Keras、OpenEnsembles、XGBoost 等 Python 函式庫來實作各種不同的集成式學習技術,建構出一個強大的模型。熟稔本書的內容後,不但可以精通集成式學習,在實際情境中面對問題時,亦能具備充分的專業知識判斷適用的集成式學習方法,並成功實作它們。



      書中採用「做中學」的方式,讓你不僅可以快速掌握理論基礎,也能了解各種集成式學習技術的實作,再加上運用真實世界中的資料集,你將能夠建立出更佳的機器學習模型,以解決各種問題,包含迴歸、分類、分群。



      現在翻開本書,讓我們一起進入集成式學習的世界,整合你所會的全部技術,打造最強大的模型。



    本書特色

    ?

      ● 繁體中文第 1 本集成式學習專書,告訴你不要再傻傻地只選一個模型

      ● 完整介紹集成式學習中常見的演算法,包含極端隨機樹、堆疊法、自助聚合法、提升法等

      ● 一書掌握實作集成式學習的必備套件,如 Scikit-Learn、OpenEnsembles、XGBoost 等

      ● 用 Python 刻演算法給你看,接著告訴你怎麼用套件。讓你不只會做,還懂為什麼這麼做

      ● 以 5 個實務案例來展示集成式學習的威力

      ● 本書由施威銘研究室監修,內容易讀易懂,並加入大量「小編補充」補充必要知識

      ● 本書 Python 範例程式免費下載



    ?


     





    前言



    第一篇 機器學習基礎知識

    第 1 章 機器學習的概念

    1.1 資料集

    1.2 監督式學習與非監督式學習

    13 效能指標(Performance Measures)

    1.4 模型驗證(Validation)

    1.5 機器學習演算法

    1.6 小結

    第 2 章 初探集成式學習(Ensemble Learning)

    2.1 何謂偏誤與變異

    2.2 評估偏誤與變異

    2.3 集成式學習(Ensemble Learning)

    2.4 小結



    第二篇 非生成式演算法

    第 3 章 投票法(Voting)

    3.1 多數決投票

    3.2 使用 Python 實作硬投票

    3.3 使用 Python 實作軟投票

    3.4 小編補充:加權軟投票

    3.5 小結

    第 4 章 堆疊法(Stacking)

    4.1 超學習(Meta-learning)

    4.2 超學習器的訓練資料集

    4.3 超學習器的測試資料集

    4.4 選擇學習器(Learner)

    4.5 使用堆疊法處理迴歸問題

    4.6 使用堆疊法處理分類問題

    4.7 建立堆疊的函式

    4.8 小編補充:堆疊的其他技巧

    4.9 小結



    第三篇 生成式演算法

    第 5 章 自助聚合法(Bootstrap Aggregation)

    5.1 自助抽樣法

    5.2 自助聚合法的原理

    5.3 使用 Python 實作自助聚合法的完整機制

    5.4 平行化(Parallelize)自助聚合法

    5.5 使用 scikit-learn 提供的自助聚合法處理分類問題

    5.6 使用 scikit-learn 提供的自助聚合法處理迴歸問題

    5.7 小結

    第 6 章 提升法(Boosting)

    6.1 適應提升(Adaptive Boosting, AdaBoost)

    6.2 使用 Python 實作適應提升的完整機制

    6.3 使用 scikit-learn 提供的適應提升處理分類問題

    6.4 使用 scikit-learn 提供的適應提升處理迴歸問題

    6.5 梯度提升(Gradient Boosting)

    6.6 使用 Python 實作梯度提升的完整機制

    6.7 使用 scikit-learn 提供的梯度提升處理迴歸問題

    68 使用 scikit-learn 提供的梯度提升處理分類問題

    6.9 使用 XGBoost 提供的梯度提升處理迴歸問題

    610 使用 XGBoost 提供的梯度提升處理分類問題

    6.11 小結

    第 7 章 隨機森林(Random Forest)

    7.1 建立隨機森林

    7.2 使用 scikit-learn 提供的隨機森林處理分類問題

    73 使用 scikit-learn 提供的隨機森林處理迴歸問題

    7.4 使用 scikit-learn 提供的極端隨機樹處理分類問題

    7.5 使用 scikit-learn 提供的極端隨機樹處理迴歸問題

    7.6 小結



    第四篇 分群

    第 8 章 分群(Clustering)

    8.1 分群演算法

    8.2 使用 scikit-learning 提供的 K 平均法來處理分群問題

    8.3 使用投票法集成非監督式學習的基學習器

    8.4 使用 OpenEnsemble 集成非監督式學習的基學習器

    8.5 使用圖閉合(Graph Closure)集成非監督式學習的基學習器

    8.6 使用共現鏈(Co-occurrence Linkage)集成非監督式學習的基學習器

    8.7 小結



    第五篇 5 個實務案例

    第 9 章 檢測詐騙交易

    9.1 初探資料集

    9.2 探索式資料分析

    9.3 投票法

    9.4 堆疊法

    9.5 自助聚合法

    9.6 適應提升法

    9.7 梯度提升法

    9.8 隨機森林

    9.9 不同方法的分析比較

    9.10 小結

    第 10 章 預測比特幣價格

    10.1 時間序列資料

    10.2 比特幣資料分析

    10.3 建立基準模型

    10.4 計算 Sharpe 值

    10.5 投票法

    10.6 堆疊法

    10.7 自助聚合法

    10.8 提升法

    10.9 隨機森林

    10.10 小結

    第 11 章 推特(Twitter)情感分析

    11.1 情感分析工具

    11.2 取得 Twitter 資料

    11.3 建立模型

    11.4 即時分類推文

    11.5 小結

    第 12 章 推薦電影

    12.1 推薦系統

    12.2 神經網路推薦系統

    12.3 使用 Keras 實作使用點積的神經網路

    12.4 使用 Keras 實作自行探索網路結構的神經網路

    12.5 集成多個神經網路,建立推薦系統

    12.6 小編補充:集成神經網路的參數

    12.7 小結

    第 13 章 世界幸福報告分群

    13.1 世界幸福報告

    13.2 使用原始特徵建立集成模型

    13.3 使用正規化特徵建立集成模型

    13.4 使用 t-分布隨機鄰居嵌入降維後特徵建立集成模型

    13.5 觀察分群結果

    13.6 小結

    後記

    ?




    其 他 著 作