作業系統精論 (10版)

其他會員也一起購買

作業系統精論 10/e Silberschatz 作者：吳庭育、駱詩軒 譯；趙涵捷 審閱 ISBN：9789865522568 版次：10 年份：2021 出版商：東華書局 頁數/規格：592頁/平裝雙色 內容簡介 譯者序 　　Abraham Silberschatz、Peter Baer Galvin、Greg Gagne 自從 1983 年發行第一版的Operating System Concepts 至今已發行第十版，幾十年來這本書一直受到全球電腦科學相關系所青睞選定為教授作業系統的專用書，因封面皆為“恐龍”圖樣，所以被學生們暱稱為恐龍教科書，而這暱稱有「適者生存」的演化意涵，隨著硬體的進步，從積體電路的開發、個人電腦、筆記型電腦、平板電腦到現在的主流智慧型手機，其作業系統的功能也隨之演進，其技術則取決於時空和市場環境，正符合演化的適者生存論。 　　近年來隨著雲端平台與行動裝置的普及，讓第十版與之前的版本內容有相當大幅度的改版，在雲端平台方面增加：多核心計算環境 NUMA 系統和 Hadoop 叢集介紹；在虛擬機方面的描述包含容器及 Docker，另外對於分散式檔案系統討論 Google 檔案系統、Hadoop 及 GPFS；並對 CPU 排班特別探討多層級佇列與多核心處理器的排班處理，針對行程與資源的衝突方面，除了傳統的“死結”之外，也新增“活結”的討論。在行動裝置方面：新增行動作業系統 Android 和 iOS 的章節內容討論。這次新版本有相當多的內容更新，所以不論新舊讀者都很推薦再次閱讀本書。 　　本書內容可以讓讀者瞭解到傳統的 PC 與伺服器所使用的作業系統，如 Linux、Microsoft Windows、Apple macOS 和 Solaris，以及 Android 和 iOS 兩種行動作業系統。本書也列舉一些由 C 語言或 Java 撰寫的範例程式讓讀者可以更直觀瞭解理論的結果。書中的案例能提供研究生或工程師更深入瞭解 Linux 和 Windows 10 作業系統設計架構，其中Windows API 亦使用本書所提供的 C 語言程式來測試行程、記憶體和周邊設備。另外可安裝 Linux 虛擬機來執行 Ubuntu，透過本書將完成 Linux 4.i 的核心練習。最後期待讀者經過本書的引導，藉由「做中學」得到更多的啟發！ 目錄 第一篇 總　論 CHAPTER 1　概　　說 CHAPTER 2　作業系統結構 第二篇 行程管理 CHAPTER 3　行程觀念 CHAPTER 4　執行緒與並行性 CHAPTER 5　CPU 排班 第三篇 行程同步 CHAPTER 6　同步工具 CHAPTER 7　同步範例 CHAPTER 8　死　結 第四篇 記憶體管理 CHAPTER 9　主記憶體 CHAPTER 10　虛擬記憶體 第五篇 儲存管理 CHAPTER 11　大量儲存結構 CHAPTER 12　輸入/輸出系統 第六篇 ​檔案系統 CHAPTER 13　檔案系統介面 CHAPTER 14　檔案系統內部 第七篇 安全和保護 CHAPTER 15　保　護

光電子學 (2版)

其他會員也一起購買

【中文翻譯書】 書名：光電子學 第二版 原文書名：Optoelectronics and Photonics Principles and Practices 2/e 作者：S. O. Kasap 翻譯：張炳章 出版社：高立 出版日期：2015/01/01 ISBN：9789862800683 內容簡介 　　這是一本介紹光電子學和光電元件的參考書，適合作為電機工程、工程物理和材料科學系技術學院和大學程度的一學期或一年課程。這本書以很少的數學來推導原理但著重物理觀念，且有很多的習題和例題可用以幫助對觀念和實際元件的瞭解。 目錄 第一章 光的波性質 第二章 介質波導與光纖 第三章 半導體科學與發光二極體 第四章 受激發射元件：光放大器和雷射 第五章 光檢測器和影像感測器 第六章 偏振和光的調制 Appendix A 高斯分布 Appendix B 立體角 Appendix C 基本輻射測

半導體製程與整合（THC） (1版)

其他會員也一起購買

【簡介】 本書詳述了西元2010年後的實際量產之半導體技術，首先介紹基礎半導體知識，以及基礎的模組製程。此外，本書更以四百張以上圖例，詳細說明二維平面式電晶體之製程整合技術，以及三維鰭式電晶體之製程整合技術。 先進的半導體製程技術，如受應力之矽通道、高介電閘極氧化層、金屬閘極、元件閘極設計考量、MOSFET 遷移率、先進的源極與汲極工程，都有詳細的說明與探討。 材料分析技術，如掃描式電子顯微鏡、穿透式電子顯微鏡、X光光譜分析、拉曼光譜儀等，都涵蓋實例應用說明。 半導體製程未來發展趨勢，包含有鰭式場效電晶體的微縮極限、環繞式閘極場效電晶體(GAAFET)、互補式場效電晶體 (CFET)、垂直傳輸場效電晶體、三維積體電路技術 (3D IC)，皆有詳細說明。 本書為半導體製程與整合相關知識內容之教科書，適合大專院校相關理工科系，也適合給從事半導體產業相關人員與相關領域專家參考。 【目錄】 第一章 半導體積體電路發展 第二章 基礎半導體材料 第三章 基礎半導體元件 第四章 氧化與加熱製程 第五章 微影製程 第六章 擴散與離子佈植製程 第七章 蝕刻製程 第八章 介電質薄膜與化學氣相沉積 第九章 半導體金屬化製程 第十章 CMOSFET製程整合 第十一章 先進元件製程 第十二章 FinFET製程整合 第十三章 半導體材料分析技術 第十四章 半導體元件製程發展趨勢

半導體積體電路製程技術入門 (1版)

其他會員也一起購買

【簡介】 　　本書依據作者多年授課經驗與講義內容，經過有系統的整理與編撰，是一本具基礎且淺顯易懂、適合作為入門的書籍。透過清晰流暢的敘述，詳盡解析半導體積體電路的應用知識，從基礎概念逐步拓展，使讀者能夠穩健踏入此領域，並建立扎實的專業基礎。 　　全書共分為十一章，涵蓋半導體積體電路技術的基礎、相關產業概論、半導體晶圓製造廠、洗淨製程、熱氧化製程、物理式薄膜製程、化學式薄膜製程、離子佈植製程、光微影製程、化學機械研磨製程、封裝製程等主題。 本書特色 　　1.循序漸進、深入淺出：以條理分明的方式講解半導體積體電路技術，幫助讀者輕鬆入門，並逐步建立扎實的專業知識。 　　2.涵蓋新製程技術：內容緊跟產業發展，介紹當前半導體積體電路產業中的最新技術與趨勢，使讀者掌握前沿知識。 　　3.專有名詞雙語標示：書中專業術語附有中英文對照，便於查閱與進一步理解相關文獻，提升學習效率。 　　4.章節習題強化理解：各章節搭配習題演練，幫助讀者檢視學習成效，鞏固對關鍵概念的掌握。 【目錄】 第零章 半導體積體電路技術的基礎 第一章 半導體積體電路產業及其相關技術的基本概念 第二章 半導體晶圓製造廠 第三章 洗淨製程技術 第四章 熱氧化製程技術 第五章 物理式薄膜製程技術 第六章 化學式薄膜製程技術 第七章 離子佈植製程技術 第八章 光微影製程技術 第九章 化學機械研磨製程技術 第十章 封裝製程技術 附錄一 通用性物理常數 附錄二 參考性實驗數據 附錄三 價值性市場圖表 附錄四 元素週期表 英中文索引

室內裝修材料施工作業實務-附「建築物無障礙設施設計規範」圖例精要(增修八版) (8版)

其他會員也一起購買

【簡介】 以往國人對室內裝修，僅依業主口頭講述或憑工匠多年自恃之經驗，即從事相關工程，無較正確 的施工步驟作為規範，造成施工品質認知上的差異，甚者危及建築物之安全，以致糾紛四起。為對於 室內裝修從業人員應重視裝修技術，消除舊有錯誤之觀念，希藉本書系統化、法規化之介紹，望能促 使國內室內裝修觀念及技術普遍性的提升。 本書內容主要分為三部份： 　　第壹章：為闡述室內裝修構造、材料及設計相關事項與常見標示符號，並敘述有關裝修審查、施 工、監督管理乃至竣工驗收之標準作業與品質管制事宜。 　　第貳～拾章：分章解述裝修泥作、木作、金屬施工、輕隔間及天花板、玻璃壓克力、壁布壁紙窗 簾地毯、水電工程作業等；此外亦包含裝修工程估算表的編製，使讀者對於工程報表、材料估算等作 業有所掌握。 　　第拾壹～拾肆章：針對室內裝修相關法規(如建築法、建築技術規則、室內裝修管理辦法、建築物 無障礙設施設計規範、公寓大廈管理條例、勞工安全衛生相關法規及消防相關法規等)取其重點條文， 列入章節中。 ■ 本書特色 　　本書涵蓋室內裝修法規、設計及室內裝修主體施工相關作業內容，彙整授課老師及專家學者提供 寶貴資料，並以編輯群多年實務經驗所編著之室內裝修相關書籍，以平實易懂的文字作重點式的陳述 ，可作為課程用書及相關證照考試參考書籍。 　　本書為中華民國災害預防協會所開辦室內裝修工程管理乙級技術士專技班之課程內容，上課學員 參加乙級技術士室內裝修工程管理證照學科考試超過七成及格率，為北區教學團體之冠。 　　本書經教學及證照考試上之洗鍊，增修版本因應教學及考用上之需求，新增包含「建築技術規則 」與裝修工程相關之補充圖例，以及「建築物無障礙設施設計規範」重點圖例；法規部分也依據最新 修訂公布之資料全面更新，推薦本專業用書給有志從事或已從事室內裝修工程之社會人士及在校學生 【目錄】 第壹章　概論 一、室內裝修之分類 　(一)構成內容 　(二)施作過程 　(三)防災性能 　(四)材料分類 二、室內構造平面及材料之表示符號 　(一)基本認知 　(二)建築及室內製圖表示符號 　(三)水、電、空調、消防設備製圖表示符號 　(四)室內裝修現況測量與放樣 三、申請室內裝修之審查及竣工查驗所需的作業 四、室內裝修工程監督及驗收 　(一)工程監督 　(二)工程之驗收 五、室內裝修品管作業事項 　(一)室內裝修工程品質管制作業流程 　(二)室內裝修施工品管作業計畫中之工程概要簡述 　(三)品管組織及內部稽核 　(四)室內裝修工程品質管理標準表之製作 　(五)室內裝修工程品質管理自主檢查表之製作 第貳章　裝修泥作施工作業 一、磚隔間 　(一)特性成份 　(二)砌磚的專有名詞 　(三)常用疊砌形式 　(四)紅磚依表面處理質感不同其種類分為 　(五)磚牆施工步驟品質管制 二、粉刷作業 　(一)依施工位置之分類 　(二)粉刷施工步驟 　(三)粉刷施工步驟品質管制 三、面材處理作業 四、石材作業 　(一)石材的分類 　(二)石材之性質分類 　(三)建築裝修之石材 　(四)石材之加工 　(五)石材之舖貼 五、防水施工作業 　(一)一般施工原則 　(二)材料系統說明 　(三)施作位置說明 　(四)防水材料材質說明 　(五)材料貯存之注意事項 　(六)施工面之處理 　(七)施工時注意事項 　(八)一般常見之防水材料 施工大樣圖例 第參章　裝修木作施工作業 一、隔間作業 　(一)木作隔間材料特性成份 　(二)木作隔間(隔屏)施工作業 　(三)木作隔間(隔屏)施工注意事項 二、壁板作業 　(一)壁板構架品質施工步驟 　(二)封面板施工要點 　(三)其他壁板施工方式 三、地板作業 　(一)直舖地板 　(二)平舖地板 　(三)高架地板 四、櫥櫃作業 　(一)櫥櫃材料尺寸及廚櫃橫剖面寬度尺寸 　(二)櫥櫃橫剖面寬度尺寸 　(三)櫥櫃材料之準備 　(四)櫥櫃組裝固定 　(五)抽屜組裝固定 　(六)門片組裝固定 五、門、窗、天花板及樓梯作業 　(一)木門樘工程 　(二)空心或實心夾板門扇工程 　(三)天花板工程 　(四)樓梯木扶手工程 施工大樣圖例 第肆章　裝修金屬施工作業 一、金屬門窗 　(一)金屬製品 　(二)金屬(鋼)門扇、門樘及鋼窗 　(三)不銹鋼門扇及門樘 　(四)防火金屬門扇及門樘 二、鋁製門窗 　(一)注意事項 　(二)鋁門扇、門樘及鋁窗加工製作 　(三)鋁製百葉窗 三、金屬欄杆扶手 　(一)注意事項 　(二)材料規定 　(三)加工製作 　(四)準備工作 　(五)施工要求 四、不銹鋼欄杆扶手 　(一)注意事項 　(二)加工規定 　(三)準備工作 　(四)安裝工作 　(五)清理 五、玻璃欄杆扶手 　(一)注意事項 　(二)加工規定 　(三)準備工作 　(四)施工要求 六、金屬樓梯 　(一)注意事項 　(二)加工規定 　(三)安裝施工 　(四)清理 七、五金配件 　(一)注意事項 　(二)特性 　(三)施工規定 　(四)施工要求 　(五)清理保護 施工大樣圖例 第伍章　輕隔間及天花板施工作業 一、輕隔間 　(一)石膏板組裝 　(二)預貼壁布石膏板輕隔間 　(三)木絲水泥板 　(四)浴廁強化美耐板隔間 　(五)浴廁鋼質面板隔間 二、天花板 　(一)玻纖天花板 　(二)礦纖吸音天花板 　(三)防火礦纖天花板 　(四)石膏天花板 　(五)吸音天花板 　(六)玻纖吸音貼布天花板 　(七)鋁板天花板 　(八)鋁板條天花板 　(九)懸吊鋁隔柵天花板 施工大樣圖例 第陸章　裝修塗裝施工作業 一、金屬表面塗裝 　(一)金屬油漆 　(二)金屬防蝕塗料 　(三)金屬防火塗料 二、木作表面塗裝 　(一)木作油漆 　(二)木作防火塗料 三、泥作表面塗裝 　(一)泥作油漆 　(二)環氧樹脂漆 　(三)仿石質複層塗料 第柒章　玻璃及壓克力安裝作業 一、玻璃安裝作業 　(一)玻璃及玻璃鑲嵌 　(二)金屬網入玻璃 　(三)不銹鋼玻璃窗口 　(四)浮式玻璃 二、壓克力安裝作業 　(一)材質說明 　(二)施工作業品質標準 　(三)施工材料之規定 　(四)施工注意事項 第捌章　壁布、壁紙、窗簾、地毯施工作業 一、壁布施工作業 　(一)塑膠耐燃壁布施工作業 二、壁紙施工作業 　(一)依圖形造型分 　(二)依厚度分 　(三)依材質分 　(四)其他壁紙 　(五)附屬材料 　(六)材料品質管制 　(七)施工作業品質標準 　(八)施工要求 　(九)施工步驟 三、窗簾施工作業 　(一)布簾 　(二)百葉簾 　(三)直立簾 　(四)木質簾 　(五)塑膠布簾 　(六)水平百葉窗簾施工作業 　(七)垂直百葉窗簾施工作業 　(八)摺簾施工作業 　(九)捲簾施工作業 四、地毯施工作業 　(一)地毯 　(二)塑膠地毯 施工大樣圖例 第玖章　水電工程作業 一、給排水管線施工 　(一)管之連接法 　(二)管之安裝 　(三)管之吊掛及支撐 　(四)套管 　(五)泛水 　(六)膨脹及收縮裝置 　(七)洩水及排氣裝置 　(八)管之鑿截 　(九)管路試壓檢驗 　(十)管路之沖洗及消毒 　(十一)設備之接管 　(十二)施工前後應注意事項 二、污排水管及透氣管系統 　(一)管材 　(二)配管安裝 　(三)清潔口 　(四)存水彎 　(五)檢驗及消毒 三、電氣工程 　(一)電工基本原理 　(二)室內裝修配電工程 　(三)用電設備 　(四)導線管施工注意事項 　(五)配線作業注意事項 四、空調及通風工程 　(一)空調定義 　(二)冷凍定義 　(三)單位名詞解釋 　(四)施工注意事項 五、弱電系統工程 　(一)通訊系統 　(二)網路資訊系統 　(三)安全監視系統 　(四)視訊系統 　(五)施工程序 　(六)施工方式 第拾章　裝修工程估算表編製 一、發包(統包)工程 　(一)工程進行概述 　(二)包工不包料工程 　(三)自建工程 二、正確填寫工程報表 　(一)每日工程日報表之填寫 　(二)監工日報表內容 三、施工進度之管理 四、施工材料之估算 五、估算後之製表 　(一)對設計圖說方面 　(二)對施工方面 　(三)有關材料方面 　(四)複核為避免錯誤之發生，應建立複核制度 第拾壹章　建築法規室內裝修條款之規定 一、認識法令 　(一)法規的意義 　(二)法律與命令 　(三)法規的位階 　(四)法規的制定程序 　(五)法規的適用原則 二、建築法相關條款摘要 三、建築技術規則相關條文摘要（附補充圖例） 　(一)用語定義 　(二)防火區劃 　(三)非防火區劃分間牆 　(四)內部裝修材料 　(五)避難層出入口 　(六)避難層以外樓層出入口 　(七)走廊（室內通路） 　(八)直通樓梯 　(九)安全梯 　(十)特別安全梯 　(十一)屋頂避難平台 　(十二)緊急進口 四、建築物室內裝修管理辦法 五、公寓大廈管理條例相關條文摘要 　(一)用語定義 　(二)管理委員會之職務 　(三)住戶之權利義務 　(四)公寓大廈管理條例與室內裝修問題的探討 第拾貳章　建築物無障礙設施設計規範之規定 一、「建築物無障礙設施設計規範」摘要 　(一)無障礙通路 　(二)樓梯 　(三)昇降設備 　(四)廁所盥洗室 　(五)浴室 　(六)輪椅觀眾席位 　(七)停車空間 第拾參章　裝修安全衛生之規定 一、職業安全衛生法摘要 二、廢棄物清理法相關規定摘要 三、營建工程空氣污染防制設施管理辦法摘要 四、裝修安全衛生設施防護 五、裝修工程相關機具 　(一)空壓機 　(二)捲揚機 　(三)電動圓盤鋸 　(四)電焊機 　(五)電鑽 　(六)破碎機 　(七)手工具 第拾肆章　裝修消防法規條款之規定 一、火災學概述 　(一)火災具有三種特性 　(二)火災對人體之危害 　(三)燃燒四要素 　(四)滅火方法 　(五)火災分類 二、消防法規概述 三、系統概述 　(一)警報設備系統 　(二)避難設備系統 　(三)滅火設備系統 　(四)排煙設備系統 　(五)緊急照明 四、施工注意事項 參考文獻

多元性別族群心理健康手冊: 認識性別與性傾向光譜 (1版)

其他會員也一起購買

【簡介】 本書是網羅了 LGBTQ 心理健康領域的各個專家所撰寫，內容涵蓋科學文獻到臨床經驗，全書共分為女同性戀、男同性戀、雙性戀、跨性別、酷兒、疑性戀、陰陽人、無性戀、泛性戀及直同志等十個章節，每個章節從性別和性傾向心理和文化面向出發，並闡述該社群的歷史與定義，以及在 21 世紀當代的樣貌。書中以治療師和個案對談的方式，為同志友善的人解答常見的提問，例如：個案與其親友及醫師們最想知道的、該怎麼說和怎麼做。最後，本書會討論進行 LGBTQ2IAPA 多元性別族群心理諮商、心理治療時常見的情境，這是一本想了解多元性別族群的讀者最佳之入門導引。 【目錄】 前言 (Preface: LGBTQ2IAPA) ix 作者群 (Contributors) xii 譯者序 (Translator's Preface) xiv 譯者介紹 (Translator Introduction) xv 1 女同性戀：LGBTQ2IAPA 中的L (Lesbian: The L in LGBTQ2IAPA) Daena L. Petersen, M.D., M.P.H., M.A. Mary E. Barber, M.D. Nix Zelin, M.D. Eric Yarbrough, M.D. 1 2 男同性戀：LGBTQ2IAPA 中的G (Gay: The G in LGBTQ2IAPA) Ahmad A. Mohammad, M.D., M.A. Eric Yarbrough, M.D. 17 3 雙性戀：LGBTQ2IAPA 中的B (Bisexual: The B in LGBTQ2IAPA) Sarah Noble, D.O. 47 4 跨性別：LGBTQ2IAPA 中的T (Transgender: The T in LGBTQ2IAPA) Murat Altinay, M.D. 5 酷兒：LGBTQ2IAPA 中的第一個Q 61 (Queer: The First Q in LGBTQ2IAPA) Sam Marcus, M.A. E.K. Breitkopf, M.A. 87 6 疑性戀：LGBTQ2IAPA 中的第二個Q (Questioning: The Second Q in LGBTQ2IAPA) Mark Joseph Messih, M.D., M.Sc. 109 7 陰陽人：LGBTQ2IAPA 中的I (Intersex: The I in LGBTQ2IAPA) Adrian Jacques H. Ambrose, M.D., M.P.H., FAPA 127 8 無性戀：LGBTQ2IAPA 中的第一個A (Asexual: The First A in LGBTQ2IAPA) Selale Gunal Petros Levounis, M.D., M.A. 145 9 泛性戀：LGBTQ2IAPA 中的P (Pansexual: The P in LGBTQ2IAPA) Victoria Formosa, L.C.S.W. 159 10 直同志：LGBTQ2IAPA 中的第二個A (Ally: The Second A in LGBTQ2IAPA) Angeliki Pesiridou, M.D. Serena M. Chang, M.D. 177 索引 (Index) 191

Deep Learning: 用Python進行深度學習的基礎理論實作 (1版)

相關熱銷的書籍推薦給您

書名：DEEP LEARNING｜用PYTHON進行深度學習的基礎理論實作 出版社：歐萊禮 出版年月：201708 條碼：9789864764846 內容簡介 不走捷徑，幫助您真正搞懂「深度學習」的真義 這是一本與「深度學習」有關的書籍。從入門開始說明，一步一步帶領你瞭解深度學習必須具備的知識。本書可以幫助您了解：深度學習究竟是什麼？有何特色？根據何種原理來運作？ 從零開始，由實做中學習 本書的目標是，盡量避免使用不瞭解內容的「黑盒子」，以基礎的知識為起點，以容易上手的Python撰寫程式，從動手實作的過程中，一步步深入瞭解深度學習。若以車用書籍來比喻這本書的話，這本書並不屬於汽車駕訓教材，而是希望能夠幫助您瞭解車子的原理，而非教您開車的方法。為了瞭解汽車的結構，必須試著打開車子的引擎蓋，將每個零件都拿起來觀察、操作看看。然後盡量用簡單的形狀，篩選出車子的核心部分，就像組合迷你模型般，製作出這台車子。本書的目標，就是透過製作車子的過程，讓你感受到自己實際可以製作出車子，進而熟悉與車子的相關技術。 本書特色： ．利用最少的外部函式庫，使用Python，從零開始實際執行深度學習的程式。 ．說明Python 的用法，讓Python 的初學者也能理解。 ．實際執行Python 的原始碼，同時提供讀者手邊可以進行實驗的學習環境。 ．從簡單的機器學習問題開始，到最後執行精密辨識影像的系統。 ．以淺顯易懂的方式說明深度學習與神經網路理論。 ．針對看似複雜的技術，如誤差反向傳播與卷積運算等，利用實際操作方式說明，幫助理解。 ．介紹在執行深度學習時，有幫助且實用的技巧，包括決定學習率的方法、權重的預設值等。 ．說明Batch Normalization、Dropout、Adam 等最近的趨勢與操作。 ．為什麼深度學習很優秀，為什麼加深層數，就能提高辨識準確度，為什麼隱藏層很重要，仔細說明這些「為什麼」。 ．介紹自動運作、產生影像、強化學習等深度學習的應用範例。 作者介紹 作者簡介 斎藤康毅 1984年生於長崎縣對馬，畢業於東京工業大學工學院，東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。1984年生於長崎縣對馬，畢業於東京工業大學工學院，東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。 目錄 第一章 Python入門 第二章 感知器 第三章 神經網路 第四章 神經網路的學習 第五章 誤差反向傳播法 第六章 與學習有關的技巧 第七章 卷積神經網路 第八章 深度學習 附錄A Softmax-with-Loss層的計算圖 參考文獻

財經時間序列預測─使用R的計量與機器學習方法 (1版)

類似書籍推薦給您

財經時間序列預測：使用R的計量與機器學習方法 ISBN13：9786263431492 出版社：五南圖書出版 作者：何宗武 裝訂／頁數：平裝／336頁 規格：26cm*19cm*1.7cm (高/寬/厚) 重量：720克 版次：1 出版日：2022/08/25 中國圖書分類：統計電子資料處理；統計電腦資料處理 內容簡介 本書為進階的教材，需要經濟計量方法和矩陣代數的基礎。時間序列預測是統計學裡非常實用的工具，不論是分析投資組合的數據、全球總經和金融市場，以及預測景氣循環變動等等，可以用過去的數據資料，預測未來趨勢，是可以符合實際決策需要的實用能力。   書中並介紹機器學習方法，機器學習不是指特定估計方法，學習指的是如何在資料結構中運算，以追蹤最小預測誤差的方法獲得最佳預測(tuning)。我們應用機器學習演算法訓練歷史資料，執行特徵萃取(features extraction)，再測試預測表現。依此建立一個可預測未來的模型，作為決策之用。   使用R語言進行時間序列預測是本書的一大特點，R語言是統計學中普及且容易上手的分析工具，書中針對一個個資料分析步驟進行深度解說，教給讀者進行預測與評估的最實用方法。 目錄 自序 Part I 時間序列預測基礎 1 統計與時間序列基礎 第1 節 隨機變數和預測  第2 節 樣本和母體 第3 節 兩組中央趨勢  第4 節 時間序列特徵 第5 節 時間序列預測的不同之處 2 財經時間序列開放資料之取得 第1 節 Fed 美國聯準會 第2 節 證交所5 秒鐘的高頻資料 第3 節 國際清算銀行的有效匯率指數BIS  第4 節 R 內建套件quantmod 國際股市資料 第5 節 Fama-French Factor Data  第6 節 套件JFE 內建函數 3 時間序列的訓練架構—Recursive Validation  第1 節 K- 段交叉驗證方法(K-fold CV) 第2 節 N 步遞回驗證(N-step Recursive Validation) 第3 節 K-fold 的關聯問題和Rabinowicz-Rosset 修正CV 4 關於時間序列預測值的計算  第1 節 資料配適的統計預測  第2 節 預測未來之一：單步預測  第3 節 預測未來之二：多步預測  第4 節 評估模型的預測績效 Part II 經濟計量方法Econometric Methods 5 計量時間序列方法 第1 節 ARIMA  第2 節 非線性移轉模型：SETAR 和LSTAR  第3 節 BATS (Box-Cox transform, ARMA, Trend & Seasonality)  第4 節 BAGGED (Bootstrap AGGregation)  第5 節 GAMs  第6 節 時間序列的組合預測簡介：AveW and Model Average  6 經濟計量預測實做—臺灣工業生產指數成長率預測  第1 節 資料與訓練架構 第2 節 R 程式的單步靜態預測  第3 節 R 程式的動態預測的訓練  Part III 機器學習 Machine Learning 7 機器學習的演算法  第1 節 迴歸樹、隨機森林和KNN  第2 節 簡易人工神經網路(Simple Artificial Neural Network)  第3 節 Support Vector Machine  第4 節 Gradien Boosting Machine  第5 節 正則方法：LASSO, Ridge and Elastic Net  第6 節 自動化機器學習模式：autoML 委員會  第7 節 機器學習的動態預測—R 套件iForecast 說明  附錄 8 機器學習預測實做—指數報酬率預測(Index Returns Forecasting)  第1 節 資料與模型  第2 節 R 程式說明與結果呈現  Part IV 深度學習方法 9 深度學習方法的訓練與學習RNN-LSTM  第1 節 原理簡說 第2 節 軟體環境設置 10 LSTM 預測實做—美國失業率和通貨膨脹  第1 節 LSTM 程式說明 第2 節 iForecast 內的ttsLSTM()  Part V 類別資料 11 分類模式 第1 節 二元廣義線性模式 第2 節 GLM 的R 程式 第3 節 混淆矩陣 第4 節 決策樹分類案例研究  12 類別時間序列資料的預測—景氣循環 第1 節 資料與問題說明 第2 節 機器學習R 程式 附錄1 R 套件iForecast 介紹  附錄2 矩陣進一步性質與應用  第1 節 方陣的特殊性質 第2 節 應用 參考文獻

iPAS - AI應用規劃師中級應鑑指南(人工智慧技術應用與規劃、機器學習技術與應用)含AIE國際認證：MLAE機器學習應用工程師(Expert Level) (1版)

類似書籍推薦給您

【簡介】 1.完整知識架構：涵蓋AI基礎概念、機器學習、深度學習、生成式AI、多模態AI與大數據應用。 2.理論與實務並重：結合理論講解、實務案例與操作流程，培養實際應用能力。 3.掌握AI模型的架構和推理行為：建立優秀的模型建構、訓練與調校的能力。 4.導入規劃導向：包含AI專案評估、POC驗證、模型選擇、資料準備與部署流程；並重視AI治理、風險管理與國際治理規範。 5.大量範例與圖解：透過圖表與情境說明，降低學習門檻、提升理解效率。 6.完整對應IPAS－AI應用規劃師能力鑑定的最新命題方向，並結合AIE人工智慧專業能力國際認證：MLAE機器學習應用工程師的核心知識架構。 【目錄】 第1 篇 人工智慧技術應用與規劃（ iPAS 中級科目1 ） 主題1 AI 相關技術應用 第1 章 自然語言處理（NLP）技術與應用 1-1 認識自然語言（NLP） 1-2 GenAI、LLM 和NLP 三重奏 1-3 GenAI、LLM 和NLP 三合一的魅力 1-4 展現更多商業價值 1-5 RAG 的角色與使用要點 1-6 實務應用 模擬試題   第2 章 電腦視覺技術與應用 2-1 介紹電腦視覺（Computer Vision） 2-2 電腦視覺的發展歷史 2-3 正在崛起的視覺GenAI 2-4 電腦視覺的應用 2-5 電腦視覺技術的未來發展 2-6 實務應用 模擬試題   第3 章 生成式AI 技術與應用 3-1 生成式AI 的內涵 3-2 大型語言模型（LLM） 3-3 LLM 的幻覺問題 3-4 LLM 搭配RAG：降低幻覺 3-5 RAG、微調與提示工程 3-6 GenAI 的常見應用 3-7 GenAI 的未來發展 3-8 實務應用 模擬試題   第4 章 多模態人工智慧應用 4-1 簡介多模態AI 4-2 流行的多模態AI 模型 4-3 多模態AI 應用情境 4-4 多模態AI 提升人機介面（HCI） 4-5 多模態AI 提升人的決策力 4-6 多模態AI 的未來發展 4-7 實務應用 模擬試題   主題2 AI 導入評估規劃 第5 章 AI 導入評估 5-1 什麼是「AI 導入評估」 5-2 AI 導入評估的主要內容 5-3 概念驗證（Proof of Concept, POC）方法 5-4 快速原型（Rapid Prototyping）驗證方法 5-5 實務應用 模擬試題   第6 章 AI 導入規劃 6-1 AI 專案規劃包含哪些內容 6-2 了解問題，訂定專案目標（Goal） 6-3 挑選優先用例（Use Case），進行用例評估 6-4 模型（Model）選擇 6-5 收集高品質的資料（Data） 6-6 組成多元團隊，並制定風險管理計劃 6-7 模型訓練& 部署（Train & Deploy） 6-8 實務應用 模擬試題   第7 章 AI 風險管理 7-1 為什麼AI 導入需要風險管理 7-2 AI 專案風險管理的範圍 7-3 常見AI 風險類型 7-4 風險評估流程 7-5 對應的控管策略 7-6 實務應用 模擬試題   主題3 AI 技術應用與系統部署 第8 章 數據準備與模型選擇――以生成式AI 為例 8-1 數據準備（Data Preparation）的涵意 8-2 數據準備的六項關鍵任務 8-3 數據準備實施中的注意事項 8-4 模型選擇（Model Selection） 8-5 開發原型，快速驗證 8-6 實務應用 模擬試題   第9 章 AI 技術系統集成與部署—以生成式AI 為例 9-1 AI 系統整合（集成）架構 9-2 AI 部署與挑戰 9-3 AI 部署的流程：以GenAI 為例 9-4 實務應用 模擬試題   第2 篇 機器學習技術與應用（ iPAS 中級科目3 ） 主題1 機器學習基礎數學 第1 章 機率/ 統計之機器學習基礎應用 1-1 統計學是現代AI 的起點 1-2 使用sigmoid 函數讓迴歸線輸出機率 1-3 簡單的線性迴歸分析 1-4 從線性迴歸到多類分類 1-5 範例說明 模擬試題   第2 章 線性代數之機器學習基礎應用 2-1 迴歸線的本質就是線性代數 2-2 空間映射：資料穿越空間，成為智慧 2-3 機器學習（ML）的邏輯步驟 2-4 範例說明 模擬試題   第3 章 數值優化技術與方法 3-1 模型優化的重要概念 3-2 優化器的種類 3-3 反向傳播（BP）與優化器的完美協作 3-4 ML 的數值優化流程 3-5 範例說明 模擬試題   主題2 機器學習與深度學習 第4 章 機器學習原理與技術 4-1 機器學習（Machine Learning）的原理 4-2 從資料樣本提取特徵（Feature） 4-3 AI 從特徵中學習其規律 4-4 範例說明 模擬試題   第5 章 常見機器學習演算法 5-1 鑑別式AI 演算法 5-2 生成式AI 演算法 5-3 介紹邏輯迴歸模型 5-4 介紹神經網路模型 5-5 介紹卷積神經網路（CNN）模型 5-6 範例說明 模擬試題   第6 章 深度學習原理與框架 6-1 介紹深度學習 6-2 深度學習框架 6-3 使用PyTorch 框架：分辨「水果」圖片 6-4 範例說明 模擬試題   主題3 機器學習建模與參數調校 第7 章 數據準備與特徵工程 7-1 數據準備與特徵工程之關係 7-2 數據準備與資料預處理 7-3 特徵工程 7-4 認識分類型特徵 7-5 展開特徵工程，並訓練模型 7-6 範例說明 模擬試題   第8 章 模型選擇與架構設計 8-1 模型選擇 8-2 ML 架構設計 8-3 模型選擇與架構設計之迭代過程 8-4 遷移學習：復用ResNet50 模型 8-5 範例說明 模擬試題   第9 章 模型訓練、評估與驗證 9-1 模型訓練與評估 9-2 四項基本評估指標 9-3 模型驗證與測試 9-4 範例說明 模擬試題   第10 章 模型調整與優化 10-1 模型調整的涵義 10-2 模型調整方法 10-3 模型優化技術 10-4 模型微調（Fine-tuning）：以LoRA 為例 10-5 範例說明 模擬試題   主題4 機器學習治理 第11 章 數據隱私、安全與合規 11-1 資料隱私與資料安全之關係 11-2 資料隱私 11-3 數據安全 11-4 數據合規與AI 治理 11-5 範例說明 模擬試題   第12 章 演算法偏見與公平性 12-1 ML 偏見導致不公平性 12-2 ML 演算法的偏見 12-3 ML 演算法的公平性 12-4 細說可解釋性 12-5 範例說明 模擬試題

手把手帶你實作完整機器學習專案 (1版)

類似書籍推薦給您

【簡介】 　　用一本書走完AI專案的最後一哩路，打造專屬於你的機器學習服務 　　告別只能離線展示的模型，成為業界渴求的全方位AI人才！ 　　★ 別讓模型只活在筆電裡！這本書教你打造成真正的產品！ 　　★ 一本書搞定！從開發、部署到維運的完整實戰指南。 　　★ 全端AI應用，一次學會Docker、MLflow、Streamlit、FastAPI、BentoML。 　　★ 親手打造音樂推薦系統，讓你從做中學、馬上看見成果。 　　★ 不只給程式碼，更教你背後觀念，讓你不再盲目照抄。 　　【打好地基】搞懂MLOps核心觀念，不再紙上談兵 　　●完整生命週期：從商業需求到監控迭代，一次搞懂 AI 產品的五大核心階段。 　　●關鍵維運挑戰：深入了解資料漂移、模型老化，剖析模型上線後為何會「變笨」。 　　●版本控制核心：不只管程式碼，更要學會管理資料與模型，確保專案的可追溯性。 　　●迭代優化思維：掌握模型與資料導向策略，聰明提升模型表現，告別盲目調參。 　　【動手實戰】跟著做，親手打造全端AI應用 　　●音樂推薦系統：以真實資料為例，整合所有主流工具，讓你從做中學。 　　●高效實驗追蹤：導入DVC和MLflow管理資料、模型與參數，告別混亂的開發過程。 　　●現代化模型部署：採用BentoML將模型打包成產品，實現真正的線上服務。 　　●打造互動式前端：使用Streamlit開發視覺化介面，讓你的AI服務更好用。 　　【整合應用】將模型變為產品，創造真實價值 　　●建構完整架構：整合Docker、資料庫與FastAPI，打造穩定可靠的後端服務。 　　●API整合串接：將你的模型封裝成API，與其他應用程式順暢溝通。 　　●職涯技能升級：填補從「模型開發者」到「AI系統架構師」的關鍵知識缺口。 　　【本書適合】 　　●資料科學家：模型準確率很高，卻不知道如何部署上線，讓它真正發揮價值？ 　　●軟體工程師：想踏入最熱門的AI領域，卻不知從何開始建構機器學習系統？ 　　●機器學習工程師：厭倦了零散的知識，想尋求一套完整的MLOps實戰方法？ 　　●技術主管與PM：需要規劃與評估AI專案，想精準掌握從開發到上線的每個環節？ 　　●所有想踏入這個領域的人： 只要你想搞懂AI如何從無到有變成產品，這本書就是你的最佳起點！ 　　 　　想了解AI如何從無到有變成產品？別懷疑，這本書就是為你而寫！ 【目錄】 Chapter 1 機器學習專案的生命週期介紹 1.1 定義商業目標 1.2 蒐集和準備資料 1.2.1 數據版本控制（Data Versioning） 1.2.2 資料標記的一致性 1.2.3 不同資料類型的挑戰 1.2.4 資料管線（Data Pipeline） 1.2.5 數據測試（Data Testing） 1.2.6 資料漂移和概念漂移 1.3 模型開發與版本管理 1.3.1 建立模型的迭代過程 1.3.2 模型開發中的挑戰 1.4 模型部署與應用整合 1.4.1 軟體問題與部署考量 1.5 監控與持續改進 1.5.1 監控與維護系統 1.5.2 模型老化和重新訓練 1.6 模型導向迭代vs. 資料導向迭代 1.6.1 模型導向迭代 1.6.2 資料導向 1.6.3 如何選擇適合的策略呢？ 1.7 實作專案：音樂搜尋和推薦系統 Chapter 2 本地開發環境建立 2.1 開始專案前的必要工具準備 2.1.1 安裝Python 2.1.2 安裝Git 和註冊GitHub 帳號 2.1.3 Docker 2.2 使用uv 來管理Python 環境與套件 2.2.1 uv：更快、更強大的Python 套件與環境管理工具 Chapter 3 在本地建立資料庫 3.1 專案環境建立 3.2 建立PostgreSQL 資料庫 3.2.1 docker-compose.yml 的介紹 3.2.2 用DBeaver 查看資料 3.3 SQLModel：Python 的資料庫操作 3.4 向量資料庫和Qdrant 的介紹 3.4.1 什麼是向量資料庫（Vector Database）？ 3.4.2 Qdrant 的概念介紹 3.4.3 用Docker compose 建立Qdrant 3.5 用Python 連線至Qdrant 3.6 把PostgreSQL 和Qdrant 合併成一個Docker Compose Chapter 4 資料搜集、處理和管理 4.1 專案環境建立 4.2 下載跟處理Million Song Dataset 4.2.1 前處理資料集 4.2.2 建立資料庫 4.3 下載跟處理The Echo Nest Taste Profile Subset 4.3.1 下載資料 4.3.2 寫入PostgreSQL Database 中 4.3.3 建立user-song matrix 4.3.4 存入Qdrant 向量資料庫中 4.4 Spotify 音樂資料表 4.4.1 讀取資料 4.4.2 資料前處理 4.5 DVC 的介紹 4.5.1 什麼是DVC？ 4.5.2 DVC 的使用教學 Chapter 5 音樂搜尋和推薦演算法的介紹和實作 5.1 FastAPI 的基本用法介紹 5.1.1 FastAPI 的基本介紹 5.1.2 對資料進行CRUD 操作 5.1.3 專案架構 5.1.4 建立API 5.2 FastAPI 後端專案建立——音樂搜尋系統 5.2.1 專案環境建立 5.2.2 建立歌曲搜尋Mock API 5.2.3 用FastAPI 連接到PostgreSQL 資料庫 5.2.4 用FastAPI 連接到Qdrant 向量資料庫 5.2.5 小結 Chapter 6 搜尋畫面的UI 建立 6.1 Streamlit 的安裝方法 6.2 Streamlit 核心概念 6.2.1 基本介面 6.2.2 互動元件 6.2.3 版面佈局 6.3 範例實作：音樂推薦系統搜尋網頁 6.3.1 與後端FastAPI 溝通 6.3.2 設定頁面 Chapter 7 雲端環境建立 7.1 Render 的PostgreSQL 資料庫部署 7.1.1 Render 基礎設定 7.1.2 在Render 上建立PostgreSQL 資料庫 7.1.3 將本地資料搬遷到Render PostgreSQL 7.1.4 使用DBeaver 連線並驗證資料 7.2 部署FastAPI 服務到Render 7.3 設定雲端的Qdrant 向量資料庫 7.3.1 設定Qdrant Cloud 7.3.2 上傳資料到Qdrant Cloud 7.4 Streamlit Community Cloud Chapter 8 音樂分類模型的介紹和實作 8.1 MLflow 的介紹 8.1.1 MLflow 的核心元件 8.2 實驗追蹤（MLflow Tracking） 8.2.1 MLflow Tracking 的概念 8.2.2 MLflow Tracking 的範例 8.2.3 啟動MLflow UI 8.3 MLflow Signature 與Input Example 的介紹 8.3.1 概念介紹 8.3.2 如何建立Model Signature 跟Input Example 8.4 使用Docker 部署MLflow Tracking Server、PostgreSQL 與MinIO 8.4.1 使用Docker 啟動MLflow Tracking 伺服器與UI 8.4.2 使用PostgreSQL 作為MLflow 後端儲存 8.4.3 使用MinIO 作為Artifact 儲存位置 8.5 模型封裝與版本管理（MLflow Models + MLflow Registry） 8.5.1 如何將模型註冊到Registry？ 8.5.2 設定標籤（Tags）與別名（Aliases） Chapter 9 模型部署 9.1 將模型部署到BentoML 9.1.1 從MLFlow 下載模型檔案 9.1.2 將模型部署到BentoML 9.1.3 建立BentoML FastAPI 服務 Chapter 10 其他應用案例與延伸專案 10.1 電商商品推薦系統 10.2 影視影片搜尋與推薦 10.3 健康與運動建議系統 10.4 金融交易風險偵測 10.5 客服問答系統 10.6 小結

AI與機器學習賦能的晶片設計與製程協同優化 (1版)

類似書籍推薦給您

【簡介】 GenAI 重塑半導體的未來 面對摩爾定律（Moore's Law）趨緩的巨大挑戰，半導體產業迫切需要新的突破點。這本書正是為了解決這個每年耗費產業數百億美元的「效率黑洞」而生。 《AI與機器學習賦能的晶片設計與製程協同優化》旨在為讀者提供一套可實踐的DTCO.ML框架，展示如何運用 Machin Learning（ML）與 Generative AI（GenAI）技術，為晶片製程注入新的加速力。掌握製程變異性並優化晶片能效，徹底擺脫耗時、昂貴的實體試產（Tape-out）試錯循環。 您將學會：透過數據驅動，將良率（Yield）提升從依賴漫長試錯轉變為可預測、可控制的快速回報（Accelerated ROI）；在每一次產品迭代中，實現顯著的能效（Energy Efficiency）飛躍；以及如何為您的團隊贏得數個月的產品上市時間（TTM）競爭優勢。 無論您是渴望提升效率的晶片設計工程師、製程研發專家，或是尋求產業「再加速」策略的管理者，本書都將為您提供經過驗證的AI 賦能策略與執行藍圖。掌握DTCO 的未來，從這裡開始。 【目錄】 推薦序 AI 驅動的半導體晶片設計能效與生產力革命 第一部分： 設計與製程協同優化（Design Technology Co-Optimization, DTCO） 第1 章 DTCO 概述與發展 1.1 為生產力而設計（Design for Productivity）的核心理念 1.2 極致能效設計方法論（Design for Ultimate Efficiency） 1.3 DTCO 的未來發展方向 第2 章 推動DTCO 的關鍵挑戰與策略 2.1 DTCO 實施面臨的主要挑戰 2.2 設計方法創新需求 2.3 生產力優化平台建置 第3 章 晶片能效與生產力優化實踐 3.1 項目啟動前的準備工作 3.2 客製化元件與時序策略（Timing Signoff Strategy） 3.3 製程優化分析技術 3.4 補償機制的設計與實施 3.5 近臨界電壓技術的需求與挑戰 第二部分：DTCO.ML ™：機器學習驅動的半導體流程優化 第4 章 機器學習與DTCO 的融合（DTCO.ML ™） 4.1 虛擬晶圓數據建模（Virtual Silicon） 4.2 迴歸模型的構建與推論 4.3 數據追蹤與產能優化的應用 第5 章 元件庫特徵萃取與分析系統（Library Metric Extraction, libMetric ™） 5.1 元件時序與功耗建模 5.2 標準元件特徵萃取（Cell Feature Extraction） 5.3 RO Simulation 5.4 標準元件庫批量PPA 基準評估 第6 章 晶片內感測器設計與整合（GRO Compiler） 6.1 目標導向的RO 設計 6.2 SPICE-Silicon 相關性分析 6.3 製程追蹤與調整 6.4 晶片內局域電壓分析 6.4.1 晶片內局域電壓分布監測 6.4.2 補償策略制定 6.4.3 動態時序餘量警示與布局 6.5 GRO 自動化工具與驗證流程 第7 章 數據分析與機器學習平台（Copernic ™） 7.1 數據標準化與可視化實踐 7.2 多維資料的跨域映射 7.3 設計流程整合策略 7.3.1 WAT-aware Timing Re-K 7.3.2 WAT-CP 映射與相關性分析 7.3.3 OCV Analysis 7.4 晶片內變異性（OCV）分析與設計餘量優化 7.5 後矽製程分析與優化（Post-Silicon Analysis and Optimization） 第8 章 晶片性能評等策略與優化（Binning-PG ™） 8.1 晶片評等與分箱策略對生產力的影響 8.2 晶片體質的分析與挑戰 8.3 分箱策略生成（Binning Policy Generation, Binning-PG ™） 8.4 策略生成自動化與優化 8.5 晶片內自分級應用（On-chip Self-binning） 第三部分：DTCO.GenAI ™：生成式AI 驅動的晶片設計創新 第9 章 生成式AI 與DTCO 融合（DTCO.GenAI ™） 9.1 傳統建模方法的局限性分析 9.2 按圖索驥：Multivariate Normal Distribution 9.3 虛擬晶片數據在DTCO 中的實際應用（DTCO.VS） 第10 章 DTCO.VS 虛擬晶圓數據生成技術（Virtual Silicon） 10.1 資料集準備 10.2 基於生成對抗網路的虛擬晶片數據（GAN-based Virtual Silicon, GAN-VS） 10.2.1 GAN 模型 10.2.2 GAN 模型性能評估 10.3 基於擴散模型的虛擬晶片數據（Diffusion Model-based Virtual Silicon, DM-VS） 10.3.1 去噪擴散概率模型（Denoising Diffusion Probabilitic Model） 10.3.2 Diffusion 模型性能評估 第11 章 Generative AI 驅動的晶片能效優化與建模 11.1 WAT 超分辨率（WAT Super Resolution, WATSR） 11.2 高效矽製程偏移建模（High-Efficiency SPICESilicon Bias Modeling, He-SSBM） 11.2.1 One-shot SPICE-Silicon N/P Correlation的設計原理 11.2.2 設計與防守策略優化 11.3 高效蒙地卡羅仿真近似（High-Fidelity Generative Monte Approximation, HΣ-GMA） 11.3.1 傳統Monte Carlo 方法的限制 11.3.2 生成式神經網路的創新應用 第12 章 結論與展望 12.1 機器學習與AI 賦能DTCO：革新晶片設計與製程優化（DTCO.ML ™） 12.2 生成式AI 驅動優化的未來趨勢（DTCO. GenAI ™） 12.3 創新EDA 開發與未來展望 附　錄 開源資源表列 參考文獻表列 專業術語表 

不靠框架硬功夫：Scikit-learn手刻機器學習每行程式碼(好評熱銷版) (2版)

類似書籍推薦給您

【簡介】 ☆好評熱銷再上市☆ ★ ML 最強套件 scikit-learn ✕ 經典演算法， 帶領你徹底攻略所有 ML 必備理論與實踐技能！ ★ 　　機器學習是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。其研究電腦模擬或實現人類的學習行為，獲取新的知識，重新組合現有知識結構並改善自身的效能。 　　本書針對機器學習領域描述了多個學習模型、策略、演算法、理論以及應用，以 Python 3 為基礎，使用 scikit-learn 解決實際問題。 　　全書完整介紹機器學習基本概念、演算法流程、模型建構、資料訓練、模型評估與最佳化、必備工具和實現方法，並佐以實際案例，以機器學習的經典演算法為軸線：演算法分析 ▶ 資料獲取 ▶ 模型建構 ▶ 推斷 ▶ 演算法評估，讓你理論與實踐技能一次學會，輕易上手。 本書特色 　　ML 的最佳參考書，scikit-learn 的最紮實實戰應用，亦為深入 AI 技術的優良基礎！ 　　● 機器學習概述 　　● 資料特徵提取 　　● scikit-learn 估計器分類 　　● 單純貝氏分類 　　● 簡單線性迴歸到多元線性迴歸 　　● k 近鄰演算法分類 　　● 線性迴歸到邏輯迴歸 　　● 非線性分類與決策樹迴歸 　　● 決策樹到隨機森林 　　● 感知機到支持向量機 　　● 從感知機到類神經網路 　　● 主成分分析降維  【目錄】 01 機器學習概述 1.1 什麼是機器學習 1.2 機器學習的作用領域 1.3 機器學習的分類 1.4 機器學習理論基礎 1.5 機器學習應用程式開發的典型步驟 1.6 本章小結 1.7 複習題 02 機器學習之資料特徵 2.1 資料的分佈特徵 2.2 資料的相關性 2.3 資料的聚類性 2.4 資料主成分分析 2.5 資料動態性及其分析模型 2.6 資料視覺化 2.7 本章小結 2.8 複習題 03 用scikit-learn 估計器分類 3.1 scikit-learn 基礎 3.2 scikit-learn 估計器 3.3 本章小結 3.4 複習題 04 單純貝氏分類 4.1 演算法原理 4.2 單純貝氏分類 4.3 單純貝氏分類實例 4.4 單純貝氏連續值的處理 4.5 本章小結 4.6 複習題 05 線性回歸 5.1 簡單線性回歸模型 5.2 分割資料集 5.3 用簡單線性回歸模型預測考試成績 5.4 本章小結 5.5 複習題 06 用 k 近鄰演算法分類和回歸 6.1  k 近鄰演算法模型 6.2 用 k 近鄰演算法處理分類問題 6.3 用 k 近鄰演算法對鳶尾花進行分類 6.4 用 k 近鄰演算法進行回歸擬合 6.5 本章小結 6.6 複習題 07 從簡單線性回歸到多元線性回歸 7.1 多變數的線性模型 7.2 模型的最佳化 7.3 用多元線性回歸模型預測波士頓房價 7.4 本章小結 7.5 複習題 08 從線性回歸到邏輯回歸 8.1 邏輯回歸模型 8.2 多元分類問題 8.3 正則化項 8.4 模型最佳化 8.5 用邏輯回歸演算法處理二分類問題 8.6 辨識手寫數字的多元分類問題 8.7 本章小結 8.8 複習題 09 非線性分類和決策樹回歸 9.1 決策樹的特點 9.2 決策樹分類 9.3 決策樹回歸 9.4 決策樹的複雜度及使用技巧 9.5 決策樹演算法：ID3、C4.5 和CART 9.6 本章小結 9.7 複習題 10 整合方法：從決策樹到隨機森林 10.1 Bagging 元估計器 10.2 由隨機樹組成的森林 10.3 AdaBoost 10.4 梯度提升回歸樹 10.5 本章小結 10.6 複習題 11 從感知機到支援向量機 11.1 線性支援向量機分類 11.2 非線性支援向量機分類 11.3 支援向量機回歸 11.4 本章小結 11.5 複習題 12 從感知機到類神經網路 12.1 從神經元到類神經元 12.2 感知機 12.3 多層感知機 12.4 本章小結 12.5 複習題 13 主成分分析降維 13.1 資料的向量表示及降維問題 13.2 向量的表示及基變換 13.3 協方差矩陣及最佳化目標 13.4 PCA 演算法流程 13.5 PCA 實例 13.6 scikit-learn PCA 降維實例 13.7 核心主成分分析KPCA 簡介 13.8 本章小結 13.9 複習題 A 參考文獻