{itemname}
{itemname}
香港二樓書店 > 今日好書推介
魔法森林(《秘密花園》第二集,中文版獨家附贈32頁練習本)
定價93.00元
8
折優惠:
HK$74.4
●二樓推薦
●文學小說
●商業理財
●藝術設計
●人文史地
●社會科學
●自然科普
●心理勵志
●醫療保健
●飲 食
●生活風格
●旅 遊
●宗教命理
●親子教養
●少年讀物
●輕 小 說
●漫 畫
●語言學習
●考試用書
●電腦資訊
●專業書籍
機器學習實務:資料科學工作流程與應用程式開發及最佳化
庫存=1
將於1個工作天內出貨
9789865023089
Andrew Kelleher,Adam Kelleher
楊尊一
碁峰
2019年11月12日
193.00 元
HK$ 173.7
詳
細
資
料
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
分
類
電腦資訊
>
概論/科技趨勢
>
人工智慧/機器學習
同
類
書
推
薦
理論到實作都一清二楚:機器學習原理深究
理論到實作都一清二楚:機器學習原理深究
Tensorflow接班王者:Google JAX深度學習又快又強大
凡人也能懂的白話人工智慧演算法
30分鐘就讀懂:機器學習從數學開始(第二版)
其
他
讀
者
也
買
Android御用語言:用Kotlin豪華開發APP
內
容
簡
介
“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
目
錄
序
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
?
書
評
其 他 著 作