大師帶你立即上手：機器學習+人工智慧一點也不難<啃書> 價格比較,價格查詢,價格歷史信息

本書特色 通俗易懂、零基礎也能學機器學習、快速入門人工智慧領域 ►完整的工具，包括Numpy, Pandas, Matplotlib ►經典的演算法，包括回歸、決策樹、集成、特徵工程、SVM、推薦系統、 降維、聚類 ►深度學習，包括神經網路、CNN、LSTM、RNN等 ►真正專案實作，包括信用卡詐欺、氣溫預測、新聞分類、音樂推薦系統、TensorFlow、影評情感分析等 本書主要內容 結合機器學習、資料分析和Python語言，透過實際案例以通俗易懂的方式講解如何將演算法應用到實際工作。 全書共20章，大致分為4個部分： 第1部分 介紹Python的工具套件，包括科學計算函數庫Numpy、資料分析函數庫Pandas、視覺化函數庫Matplotlib 第2部分 講解機器學習中的經典演算法，例如回歸演算法、決策樹、整合演算法、特徵工程、支援向量機、推薦系統、降維演算法、分群演算法等 第3部分 介紹深度學習中的常用演算法，包括神經網路、卷積神經網路、遞迴神經網路 第4部分 專案實戰，從零開始結合Python工具套件與機器學習演算法，以真實資料集為基礎，將演算法模型應用到實際業務中。 適合讀者群 對人工智慧、機器學習、資料分析，感興趣的初學者和愛好者。 目錄 前言 01人工智慧入門指南 1.1 AI 時代首選Python 1.2 人工智慧的核心—機器學習 1.3 環境設定 本章歸納 02 科學計算函數庫（Numpy） 2.1 Numpy 的基本操作 2.2 索引與切片 2.3 資料類型與數值計算 2.4 常用功能模組 本章歸納 03 資料分析處理函數庫（Pandas） 3.1 資料前置處理 3.2 資料分析 3.3 常用函數操作 3.4 大資料處理技巧 本章歸納 04 資料視覺化函數庫（Matplotlib） 4.1 正常繪圖方法 4.2 常用圖表繪製 本章歸納 05 回歸演算法 5.1 線性回歸演算法 5.2 梯度下降演算法 5.3 邏輯回歸演算法 本章歸納 06 邏輯回歸專案實戰—信用卡詐騙檢測 6.1 資料分析與前置處理 6.2 下取樣方案 6.3 邏輯回歸模型 6.4 過取樣方案 07 決策樹 7.1 決策樹原理 7.2 決策樹剪枝策略 本章歸納 08 整合演算法 8.1 bagging 演算法 8.2 boosting 演算法 8.3 stacking 模型 本章歸納 09 隨機森林專案實戰—氣溫預測 9.1 隨機森林建模 9.2 資料與特徵對結果影響分析 9.3 模型調參 專案歸納 10 特徵工程 10.1 數值特徵 10.2 文字特徵 10.3 論文與benchmark 本章歸納 11 貝氏演算法專案實戰—新聞分類 11.1 貝氏演算法 11.2 新聞分類工作 專案歸納 12 支援向量機 12.1 支援向量機工作原理 12.2 支援向量的作用 12.3 支援向量機有關參數 12.4 案例：參數對結果的影響 本章歸納 13 推薦系統 13.1 推薦系統的應用 13.2 協作過濾演算法 13.3 隱語義模型 本章歸納 14 推薦系統專案實戰—打造音樂推薦系統 14.1 資料集清洗 14.2 以相似度為基礎的推薦 14.3 以矩陣分解為基礎的推薦 專案歸納 15 降維演算法 15.1 線性判別分析 15.2 主成分分析 本章歸納 16 分群演算法 16.1 K-means 演算法 16.2 DBSCAN 分群演算法 16.3 分群實例 本章歸納 17 神經網路 17.1 神經網路必備基礎 17.2 神經網路整體架構 17.3 網路最佳化細節 本章歸納 18 TensorFlow 實戰 18.1 TensorFlow 基本操作 18.2 架設神經網路進行手寫字型識別 本章歸納

商品選項

屬性