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
   
好吃(NO.5+6)套書(共二冊)
  • 定價99.00元
  • 8 折優惠:HK$79.2
  • 放入購物車
二樓書籍分類
 
機器學習實務:資料科學工作流程與應用程式開發及最佳化

機器學習實務:資料科學工作流程與應用程式開發及最佳化

庫存=1
將於1個工作天內出貨
9789865023089
Andrew Kelleher,Adam Kelleher
楊尊一
碁峰
2019年11月12日
193.00  元
HK$ 173.7
省下 $19.3
 
二樓書卷使用細則 二樓書卷使用細則





ISBN:9789865023089
  • 規格:平裝 / 296頁 / 17 x 23 x 1.48 cm / 普通級 / 全彩印刷 / 初版
  • 出版地:台灣


  • >

















      “這本書介紹機器學習與資料科學,聯結工程師與資料科學家,協助將相關技術應用在實務,確保你的投入能真正解決問題,以及提供實際應用時的最佳化技巧。”-摘自系列編輯Paul Dix的序



      成功資料科學專案的實務技巧



      本書是資料科學與機器學習從業者解決實務問題技術的速成課。作者Andrew與Adam展示如何快速的產出重要結果;持續讓投資報酬率最大化;避免過度期待的工具與不必要的複雜性;以最簡單、最低風險的方式完成工作。



      作者以豐富的經驗幫助你提出實用並完整的執行方案,透過直接查詢、聚合、視覺化進行工作,教授不可或缺的錯誤分析方法以避免錯誤的結論。內容涵蓋了線性回歸、分類、聚類、貝葉斯推理等機器學習技術,幫助你為每個專案選擇正確的演算法。有關硬體、基礎設施、分散式系統的結論為實務環境最佳化提供寶貴的參考指南。



      •利用敏捷方法聚焦於專案的小範圍與有效開發

      •以Python實務範例學習

      •由簡單的啟發開始,隨著資料管道的成熟而改善

      •以基本的資料視覺化技術展示成果

      •掌握線性?歸、隨機森林、分類、群集、過適等關鍵機器學習技術

      •學習基本圖模型與貝葉斯推斷

      •認識機器學習模型中的關聯與因果


     







    前言

    關於作者

    ?

    【PART I基本結構】

    chapter 01資料科學家的角色

    1.1 介紹

    1.2 資料科學家的角色

    1.3 結論

    ?

    chapter 02專案工作流程

    2.1 介紹

    2.2 資料團隊背景

    2.3 敏捷開發與產品專注

    2.4 結論

    ?

    chapter 03誤差量化

    3.1 介紹

    3.2 量化測量值誤差

    3.3 採樣誤差

    3.4 誤差傳播

    3.5 結論

    ?

    chapter 04資料編碼與預處理

    4.1 介紹

    4.2 簡單文字處理

    4.3 資訊損失

    4.4 結論

    ?

    chapter 05假設檢定

    5.1 介紹

    5.2 何謂假設?

    5.3 誤差類型

    5.4 P 值與信賴區間

    5.5 多重測試與 "P-hacking"

    5.6 範例

    5.7 規劃與背景

    5.8 結論

    ?

    chapter 06資料視覺化

    6.1 介紹

    6.2 分佈與摘要統計

    6.3 時間序列圖

    6.4 圖視覺化

    6.5 結論

    ?

    【PART II 演算法與架構】


    chapter 07演算法與架構

    7.1 介紹

    7.2 架構

    7.3 模型

    7.4 結論

    ?

    chapter 08比較

    8.1 介紹

    8.2 Jaccard 距離

    8.3 MinHash

    8.4 Cosine 相似度

    8.5 馬氏距離

    8.6 結論

    ?

    chapter 09迴歸

    9.1 介紹

    9.2 線性最小平方

    9.3 線性迴歸的非線性迴歸

    9.4 隨機森林

    9.5 結論

    ?

    chapter 10分類與群集

    10.1 介紹

    10.2 邏輯迴歸

    10.3 貝葉斯推論,單純貝葉斯

    10.4 K 平均

    10.5 領先特徵向量

    10.6 貪婪 Louvain

    10.7 最近鄰居

    10.8 結論

    ?

    chapter 11貝葉斯網路

    11.1 介紹

    11.2 因果圖、條件獨立、Markovity

    11.3 D 分離與 Markov 性質

    11.4 貝葉斯網路因果圖

    11.5 模型適配

    11.6 結論

    ?

    chapter 12降維與潛在變項模型

    12.1 介紹

    12.2 先驗

    12.3 因素分析

    12.4 主成分分析

    12.5 獨立成分分析

    12.6 隱含狄利克雷分布

    12.7 結論

    ?

    chapter 13因果推論

    13.1 介紹

    13.2 實驗

    13.3 觀察:一個例子

    13.4 控制阻斷非因果路徑

    13.5 機器學習估計量

    13.6 結論

    ?

    chapter 14進階機器學習

    14.1 介紹

    14.2 最佳化

    14.3 神經網路

    14.4 結論

    ?

    【PART III 瓶頸與最佳化】

    chapter 15硬體基礎知識

    15.1 介紹

    15.2 隨機存取記憶體

    15.3 非揮發性/固定儲存

    15.4 吞吐量

    15.5 處理器

    15.6 結論

    ?

    chapter 16軟體基礎知識

    16.1 介紹

    16.2 換頁

    16.3 編索引

    16.4 顆粒度

    16.5 強固性

    16.6 擷取、轉換、載入

    16.7 結論

    ?

    chapter 17軟體架構

    17.1 介紹

    17.2 主從架構

    17.3 N 層/服務導向架構

    17.4 微服務

    17.5 一大塊

    17.6 實際案例(混合架構)

    17.7 結論

    ?

    chapter 18CAP 定理

    18.1 介紹

    18.2 一致性/同時性

    18.3 可用性

    18.4 分割容錯

    18.5 結論

    ?

    chapter 19邏輯網路拓撲節點

    19.1 介紹

    19.2 網路圖

    19.3 負載平衡

    19.4 快取

    19.5 資料庫

    19.6 佇列

    19.7 結論

    ?

    參考書目

    索引

    ?




    其 他 著 作