| 定價: | ||||
| 售價: | 611元 | |||
| 庫存: | 庫存: 2 | |||
| LINE US! | 詢問這本書 團購優惠、書籍資訊 等 | |||
機器學習─Python程式實作 (1版)
定價:
650
售價:
611
現省:
39
| 付款方式: | 超商取貨付款 |
|
|
| 信用卡 |
|
||
| 線上轉帳 |
|
||
| 物流方式: | 超商取貨 | ||
| 宅配 | |||
| 門市自取 |
詳細資訊
【簡介】 內容涵蓋機器學習三大主題：監督式學習、無監督式學習與強化式學習。 採用生動活潑的範例，以深入淺出、圖文並茂的方式，建立良好的理論基礎。 搭配 Python 程式實作，實現「做中學」的學習理念。 提供豐富的學習資源，包含：數學背景、練習題等，厚植機器學習技術研發能力。 【目錄】 Chapter 1 介 紹 Chapter 2 端到端機器學習 Chapter 3 迴 歸 Chapter 4 貝氏分類器 Chapter 5 k-最近鄰 Chapter 6 支援向量機 Chapter 7 決策樹 Chapter 8 隨機森林 Chapter 9 提升方法 Chapter 10 類神經網路 Chapter 11 k-Means分群 Chapter 12 DBSCAN Chapter 13 高斯混合模型 Chapter 14 主成分分析 Chapter 15 t-SNE Chapter 16 強化式學習 附錄 數學背景 習題參考解答 參考文獻
為您推薦
相關熱銷的書籍推薦給您
商品描述 <內容簡介> 彙整最常使用的 Python 函式庫語法 功能索引 + 字母順序查詢, 隨查隨用, 快速解決問題！ Python 是近來非常熱門的程式語言, 原因之一就是具有豐富的標準函式庫及第三方套件可以使用, 用途涵蓋字串處理、數值計算、資料壓縮與封存、XML與 JSON 存取等層面。本書集合 Python 常用的函式及模組功能, 依用途分門別類, 提供詳細的使用說明、豐富的語法範例, 讓使用者可以在短時間內找到、學會函式的正確使用方式, 在撰寫程式時更加得心應手！ <本書特色> ● 依功能分類, 每個函式都以豐富範例實際演練用法 ● 目錄上列有函式名稱與用途說明, 可依據名稱或是用途查詢 ● 可依字母順序快速查詢想使用的函式功能 ● 本書嚴選的模組功能包括： argparse／array／base64／beautifulsoup4／bisect／bz2／collections／ConfigParser／csv／datetime／dateutil／decimal／doctest／email／enum／fnmatch／glob／gzip／heapg／io／itertools／json／logging／lxml／lzma／math／multiprocessing／openpyxl／os／pathlib／paramiko／pdb／Pillow／pprint／PyCrypto／pydoc／pytest／pytz／random／re／requests／shutil／statistics／subprocess／sys／tartile／tempfile／time／timeit／traceback／unicodedata／unittest／unittest.mock／urllib.parse／weakref／xml.etree.ElementTree／yaml／zipfile／zlib ● 適用 Python 3
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
類似書籍推薦給您
【簡介】 ＊全面掌握雲端資料與AI平台設計關鍵 ＊實戰導向，靈活運用AWS、Azure、Google Cloud、Snowflake、Databricks ＊從基礎到進階，打造符合企業需求的現代化資料平台 ＊強化資料治理，加速AI/ML創新，驅動決策智慧 無論你是資料架構師、工程師，或是希望運用AI強化決策的企業領導者，本書都將成為你打造未來資料與機器學習平台的最佳指南！ 在資料驅動的時代，企業該如何善用資料創造價值？ 本書由三位資深工程師聯手打造，為雲端架構師與資料專業人士提供了一套清晰完整的解決方案。從雲端資料平台的設計到AI與機器學習的整合，帶您走過資料現代化的每一步。無論是整合分散的資料、實現即時決策，還是利用AI解鎖創新潛力，本書都提供了實用的架構與工具，幫助你在雲端時代保持優勢。 「本書完整介紹，如何依據企業組織的策略方向，設計與建置現代雲端資料與ML平台的概念、模式與元件。真希望我能在多年前就能讀到這本書。」 —Robert Sahlin，Mathem資料平台主管 所有的雲端架構師都必須知道如何建置資料平台，以賦與企業能夠快速高效地做出資料驅動的決策，並在整個企業範圍內提供智能化服務。本書將展示如何使用AWS、Azure、Google Cloud以及Snowflake與Databricks這類多重雲端工具，設計、建置與現代化雲端原生資料與機器學習平台。 作者Marco Tranquillin、Valliappa Lakshmanan與Firat Tekiner使用真實世界企業架構來說明，內容涵蓋從雲端匯入到啟動整個資料生命週期。你將學到如何轉換、保全與現代化資料倉儲與資料湖這些熟悉的解決方案，也將能充份利用最新的AI/ML模式取得精準且快速的洞見，提升競爭優勢。 你將學會： ＊設計現代化且安全的雲端原生或混合資料分析與機器學習平台 ＊透過將企業資料整合到治理良好、可擴充的與彈性的資料平台，加速資料導向的創新。 ＊民主化存取企業資料，治理業務團隊提取洞見方式與建置AI/ML的能力。 ＊讓您的企業利用串流管道即時決策 ＊建置MLOps平台，移往預測性與指示性分析 【目錄】 第一章 資料平台現代化：簡介 第二章 資料創新的策略性作法 第三章 設計資料團隊 第四章 遷移框架 第五章 架構資料湖 第六章 企業資料倉儲的創新 第七章 湖倉融合 第八章 串流架構 第九章 混合與邊緣擴展資料平台 第十章 AI應用架構 第十一章 架構ML平台 第十二章 資料平台現代化：模型案例
類似書籍推薦給您
【簡介】 全民瘋 AI 系列 - 經典機器學習 https://youtu.be/JAlwnGNOLsY ✴︎ 全方位解析AI應用，揭開機器學習開發中常見的十大新手陷阱。 ✴︎ 從模型訓練到實際落地，全面掌握AI技術在真實世界中的應用與價值。 ✴︎ 資料視覺化、清理、正規化與標準化，為AI模型做好全面準備。 ✴︎ 非監督與監督學習技術解析，涵蓋分群、迴歸與分類，結合實際應用。 ✴︎ 搭配十三種經典實務範例，深入掌握模型構建與優化技巧。 ✴︎ 模型落地實踐與整合應用，結合FastAPI打造完整AI應用服務。 【目錄】 第 1 章 中國固定收益市場介紹 1.1 債券與債券市場概念 1.1.1 債券 1.1.2 債券市場 1.2 債券品種分類 1.2.1 按付息方式分類 1.2.2 按發行主體信用分類 1.2.3 按發行主體類型分類 1.2.4 按幣種分類 1.3 中國債券市場的發展、監管與業務 1.3.1 中國債券市場的發展沿革 1.3.2 中國債券市場監管系統 1.3.3 中國債券市場交易業務 1.4 本章小結 第 2 章 債券的計息基準與應計利息的計算 2.1 中國債券常見計息基準 2.1.1 附息債券 2.1.2 利隨本清債券 2.1.3 貼現、零息債券 2.2 其他計息基準 2.2.1 實際/360 2.2.2 30/360 2.2.3 實際/365F 2.2.4 實際/365 2.2.5 實際/ 實際（ISDA） 2.3 本章小結 第 3 章 債券的淨價、全價與到期收益率的計算 3.1 淨價與全價 3.2 到期收益率的計算 3.2.1 單利計算的類型 3.2.2 複利計算的類型 3.3 本章小結 第 4 章 收益率曲線與建構 4.1 債券收益率曲線的建構方法 4.1.1 中國不同機構債券收益率曲線的建構方法 4.1.2 外國債券收益率曲線的建構方法 4.2 債券到期收益率曲線的建構 4.2.1 擬合法 4.2.2 插值法 4.3 債券即期收益率曲線的建構 4.3.1 拔靴法（bootstrapping） 4.3.2 NS 模型與NSS 模型 4.4 債券遠期收益率曲線的建構 4.5 本章小結 第 5 章 債券的估值與風險計量 5.1 固定利率債券的估值 5.1.1 固定利率債券現值的計算 5.1.2 G-spread 與Z-spread 5.1.3 固定利率債券風險指標的計算 5.2 浮動利率債券的估值 5.2.1 浮動利率債券現值的計算 5.2.2 浮動利率債券風險指標的計算 5.3 含權債券的深入理解與估值 5.3.1 行權估值與到期估值 5.3.2 遠期收益率判斷法估值 5.3.3 Hull-White 模型估值 5.4 債券的關鍵利率久期 5.4.1 單券的關鍵利率久期 5.4.2 組合的關鍵利率久期 5.5 債券的風險價值與預期損失 5.5.1 單券的風險價值與預期損失 5.5.2 組合的風險價值與預期損失 5.6 本章小結 第 6 章 債券的會計與損益歸因分析 6.1 新會計準則下債券SPPI 分析 6.2 債券的攤餘成本法 6.2.1 攤餘成本的基本原理 6.2.2 攤餘成本的每日計算 6.3 債券的會計損益分析 6.4 債券投資的損益分解 6.5 Campisi 績效歸因 6.5.1 Campisi 三因素歸因 6.5.2 Campisi 六因素歸因 6.6 本章小結 第 7 章 債券現券交易方式 7.1 銀行間現券交易方式 7.1.1 意向報價 7.1.2 對話報價 7.1.3 請求報價 7.1.4 做市報價 7.1.5 指示性報價 7.1.6 匿名點擊 7.2 交易所現券交易方式 7.2.1 匹配成交 7.2.2 點擊成交 7.2.3 詢價成交 7.2.4 協商成交 7.2.5 競買成交 7.3 本章小結 第 8 章 回購與債券借貸 8.1 質押式回購 8.1.1 銀行間質押式回購 8.1.2 交易所質押式回購 8.1.3 質押式回購的功能 8.2 買斷式回購 8.2.1 買斷式回購的基本原理 8.2.2 買斷式回購的功能 8.3 債券借貸 8.3.1 債券借貸的基本原理 8.3.2 債券借貸的功能 8.4 本章小結 第 9 章 國債期貨與標準債券遠期 9.1 國債期貨 9.1.1 中金所國債期貨簡介 9.1.2 國債期貨的功能 9.1.3 國債期貨常見指標的計算 9.2 標準債券遠期 9.2.1 標準債券遠期簡介 9.2.2 標準債券遠期的功能 9.2.3 標準債券遠期常見指標的計算 9.3 本章小結 第 10 章 利率互換 10.1 利率互換介紹 10.1.1 利率互換簡介 10.1.2 利率互換的功能 10.1.3 利率互換的交易要素 10.1.4 利率互換的交易曲線系統 10.1.5 利率互換的交易與利息計算- 10.2 利率互換即期與遠期收益率曲線的建構 10.2.1 利率互換即期收益率曲線的建構 10.2.2 利率互換遠期收益率曲線的建構 10.3 利率互換的估值與風險計量 10.3.1 估值原理與步驟 10.3.2 Shibor3M 利率互換的估值 10.3.3 FR007 利率互換的估值 10.3.4 利率互換的DV01 與利率互換關鍵期限的DV01 10.3.5 利率互換的風險價值與預期損失 10.4 本章小結 第 11 章 利率期權 11.1 利率上下限期權介紹 11.1.1 利率上限期權與利率下限期權 11.1.2 利率上下限期權的功能 11.1.3 利率上下限期權交易要素 11.1.4 利率上限期權與利率下限期權的平價關係 11.2 利率上下限期權波動率曲面的建構 11.2.1 波動率曲面介紹 11.2.2 波動率曲面的常用建構方法 11.2.3 利率上下限期權波動率曲面的具體建構 11.3 利率上下限期權的估值與風險指標 11.3.1 利率上下限期權現值的計算 11.3.2 利率上下限期權風險指標的計算 11.4 利率互換期權介紹 11.4.1 利率互換期權簡介 11.4.2 利率互換期權的功能 11.4.3 利率互換期權的平價關係 11.4.4 利率互換期權的交易要素 11.5 利率互換期權的估值與風險指標 11.5.1 利率互換期權波動率曲面的建構 11.5.2 利率互換期權現值的計算 11.5.3 利率互換期權風險指標的計算 11.6 利率期權風險價值的簡易計算 11.6.1 敏感度一階模型計算風險價值 11.6.2 敏感度二階模型計算風險價值 11.7 本章小結 第 12 章 信用衍生品 12.1 信用衍生品簡介 12.1.1 國內外信用衍生品的發展 12.1.2 信用風險緩釋憑證（CRMW） 12.1.3 CDS/CRMA/ 信用保護合約 12.1.4 CDS 指數 12.1.5 CRM 業務的功能 12.2 CRM 的估值與風險指標 12.2.1 生存曲線的建構 12.2.2 CRM 產品現值的計算 12.2.3 CRM 產品的風險指標計算 12.3 本章小結 附錄A 參考資料 參考圖書 參考文章 參考檔案
類似書籍推薦給您
【簡介】 啟動你的機器學習與資料科學職涯 「這是一本關於機器學習面試的全方位指南。本書涵蓋了大多數機器學習面試的內容，對於該領域的新手、經驗豐富的機器學習（ML）從業者以及資料科學家來說，都非常實用。」 --Prithvishankar Srinivasan Instacart的ML工程師（曾任職於Twitter、Microsoft） 隨著現今科技產品日益普及，對機器學習專業人才的需求也持續成長。但是不同公司之間對於ML專業人員的職責和技能要求差異迥然不同，使得面試過程難以預測。在本書中，資料科學領導者Susan Shu Chang將為你揭示如何成功應對ML招募過程的每一項挑戰。 Susan Shu Chang曾任職於多間公司的首席資料科學家，無論是擔任ML 面試官或身為應試者的身分，都擁有相當豐富的經驗。藉由本書，她分享自己在這整個過程中學到的寶貴心得，向你說明這個具高度選擇性的招募過程，讓您能快速掌握典型ML面試的成功秘訣。 這本書將帶您了解： •探索各種機器學習職位，涵蓋ML工程師、應用科學家、資料科學家和其他相關職位。 •在決定要將何種ML職位設定為目標前，先評估自己的興趣和技能。 •衡量自己目前的技術水準，針對阻礙面試成功的弱項進行補強。 •取得每個ML職位需要的技能，並製作適用於應徵的履歷表。 •在編碼測試、統計和ML理論、以及行為問題等ML面試主題上輕鬆得分。 •透過研究常見的ML面試模式和提問，為面試做好充足準備。 •獲取面試後的提示和其他有價值的資源。 【目錄】 前言 第一章 機器學習職位與面試過程 本書總覽 機器學習與資料科學工作職稱簡史 需要ML 經驗的工作職稱 機器學習生命週期 機器學習職位的三大支柱 機器學習技能矩陣 ML工作面試介紹 機器學習工作面試過程 結語 第二章 機器學習工作應徵和履歷表 去哪裡找工作？ ML工作應徵指導 機器學習履歷表指導 應徵工作 補充的工作應徵資料、證書和常見問題解答 下一個步驟 結語 第三章 技術面試：機器學習演算法 機器學習演算法技術面試總覽 統計和基礎技術 監督式學習、非監督式學習和強化學習 自然語言處理演算法 推薦系統演算法 強化學習演算法 電腦視覺演算法 結語 第四章 技術面試：模型訓練與評估 界定機器學習問題 資料預處理和特徵工程 模型訓練過程 模型評估 結語 第五章 技術面試：編碼 從頭開始：不懂Python情況下的學習路徑圖 編碼面試成功的技巧 Python編碼面試：資料以及 ML 相關的問題 Python編碼面試：腦筋急轉彎問題 SQL編碼面試：與資料相關的問題 為準備編碼面試的路徑圖 結語 第六章 技術面試：模型部署和端對端ML 模型部署 模型監控 雲端提供者概述 開發者面試最佳實踐 其他技術面試的組成部分 結語 第七章 行為面試 行為面試問題和回應 常見行為問題與建議 行為面試最佳實踐 對於大型科技公司具體準備的範例 結語 第八章 結合這一切：你的面試路徑圖 面試準備檢查表 面試路徑圖樣板 有效率的面試準備 冒名頂替症候群 結語 第九章 面試後及後續行動 面試後的步驟 面試之間該做的事 工作邀約階段的步驟 新ML工作的前30/60/90天 結語 後記 索引
華通書坊
