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

AI in Talent Development: Capitalize on the AI Revolution to Transform the Way You Work, Learn, and Live. (1版)

類似書籍推薦給您

【簡介】 Creating Transparent AIFrom agriculture to transportation, entertainment to medicine, and banking to social media, artificial intelligence (AI) is changing how humans do practically everything. We experience AI in our daily lives through our fitness trackers, home digital assistant systems, and curated news services, to name a few examples. For talent development, this is no different.The fields of artificial intelligence and talent development have been on a collision course for decades, and their convergence has already occurred. It has just taken many in our profession some time to recognize this fact. On the horizon, AI-powered innovations are transforming the workplace and the role of the talent development professional, affecting recruiting to training to compensation. As such, there are actions TD professionals should take now to prepare ourselves and our organizations for the evolving AI revolution.In AI in Talent Development, Margie Meacham describes the benefits, uses, and risks of AI technology and offers practical tools to strengthen and enhance learning and performance programs. In layman's terms, Meacham demonstrates how we can free time for ourselves by employing a useful robot "assistant," create a chatbot for specific tasks (such as a new manager bot, a sales coach bot, or new employee onboarding bot), and build personalized coaching tools from AI-processed big data. She concludes each of the six chapters with helpful tips and includes a resource guide with planning tools, templates, and worksheets.Meacham dispels fear of AI's black box--the term used to describe its unknowability and opacity--and points out ways AI can help us be better at creativity and critical thinking, what we humans do best. 【目錄】

精通機器學習｜使用Scikit-Learn, Keras與TensorFlow (3版)

類似書籍推薦給您

內容簡介 　　建立智慧型系統的概念、工具與技術 　　深度學習在經歷了一系列的突破之後，已經推動了整個機器學習領域的發展。如今，即使是對於這項技術非常陌生的程式設計師，也能夠使用簡單、高效率的工具，寫出能從資料中學習的程式。這本暢銷書使用具體的例子、最少的理論，以及具備生產水準的Python框架(Scikit-Learn、Keras和TensorFlow)來協助你直接瞭解智慧系統的建構概念與工具。 　　在這本第三版中，作者Aurélien Géron將探索一系列的技術，從簡單的線性回歸開始，逐步發展到深度神經網路。本書包含許多範例程式和習題來幫助活用所學，只要具備一些程式設計經驗即可入門。 　　‧使用Scikit-Learn自始至終完成機器學習專案 　　‧探索多種模型，包括支援向量機、決策樹、隨機森林，和集成方法 　　‧運用無監督學習技術，例如降維、聚類法和異常檢測 　　‧深入探討神經網路架構，包括摺積神經網路、遞迴網路、生成對抗網路、自動編碼器、擴散模型、轉換器 　　‧使用TensorFlow和Keras建構和訓練神經網路，以進行計算機視覺、自然語言處理、生成模型和深度強化學習 好評推薦 　　「這是一本出色的機器學習資源，包含淺顯易懂的解說，以及豐富的實用技巧。」 —François Chollet，Keras作者，《Deep Learning with Python》作者 　　「本書是運用神經網路來解決問題的絕佳入門資源，涵蓋理論及實踐。推薦給想學習實用機器學習技術的人。」 —Pete Warden，TensorFlow行動主管 作者介紹 Aurélien Géron 　　Aurélien Géron 是位機器學習顧問。他曾經於Google任職，在2013年至2016年帶領YouTube的影片分類團隊。他也是Wifirst的創始人兼CTO(自2002年至2012年)，並且是電信諮詢公司Polyconseil創始人兼CTO(於2011年)。