| 書名: | 機器學習：類神經網路、模糊系統以及基因演算法則4/e (4版) | |||
| 作者: | 蘇木春、張孝德 | |||
| 版次: | 4 | |||
| ISBN: | 9789864632060 | |||
| 出版社: | 全華 | |||
| 出版日期: | 2016/04 | |||
| 重量: | 0.53 Kg | |||
|
#資訊
#AI人工智慧與機器學習 |
||||
| 定價: | ||||
| 售價: | 343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：類神經網路、模糊系統以及基因演算法則4/e (4版)
定價:
390
售價:
343
現省:
47
| 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
書名：機器學習：類神經網路、模糊系統以及基因演算法則(第四版) 作者：蘇木春、張孝德 出版社：全華 出版日期：2016/05/00 ISBN：9789864632060 內容簡介 ■ 本書優點特色 1.將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。 2.以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 3.每一種理論都儘可能配合書中範例及圖表加以說明。 ■ 內容簡介 本書將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。此外，作者以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 目錄 第1章 類神經網路之簡介 第2章 感知機 第3章 多層感知機 第4章 非監督式類神經網路 第5章 聯想記憶 第6章 增強式學習 第7章 模糊集合 第8章 模糊關係及推論 第9章 模糊系統 第10章 基因演算法則
為您推薦
其他會員也一起購買
類神經網路導論：原理與應用(第二版)(CD Inside) +作者：張斐章/張麗秋合著 +年份：2015 年2 版 +ISBN：9789869092029 +書號：EE0418 +規格：16開/平裝/單色 +頁數：520 +出版商：滄海 本書清楚陳述類神經網路的概念、理論與演算方式，透過實例了解類神經網路運作及應用成效; 內含簡例及習題，為類神經網路課程之優良教材及自修材料 。 類神經網路適合於預測、函數模擬、信號處理、影音辨識、分類及診斷等問題。 目錄 1 類神經網路簡述 2 生物神經網路與類神經網路 3 學習演算法 4 倒傳遞類神經網路 5 輻狀基底函數與支持向量機 6 聚類演算法 7 自組性類神經網路 8 回饋式類神經網路 9 模糊集合與模糊邏輯系統 10 反傳遞模糊類神經網路 11 調適性網路模糊推論系統 12 最佳化搜尋法 附錄 MATLAB應用
其他會員也一起購買
數位影像處理：Python程式實作 ISBN13：9786263281363 出版社：全華圖書 作者：張元翔 裝訂／頁數：平裝／512頁 附件：光碟 規格：26cm*19cm*2.2cm (高/寬/厚) 重量：962克 版次：3 出版日：2022/04/22 中國圖書分類：電腦程式語言 內容簡介 本書為因應現代發展趨勢，針對數位影像處理技術，採取主題介紹方式，除了理論基礎之外，採用Python程式與OpenCV進行實作，強調理論與實務的緊密結合，藉以培養紮實的技術研發能力，內容豐富，同時包含深度學習、人工智慧等相關技術。 本書特色 1.本書因應現代發展趨勢，針對數位影像處理技術，採取主題介紹方式，循序漸進且深入淺出。 2.本書除了含有基礎理論之外，同時採用Python程式與OpenCV進行實作，強調理論與實務的緊密結合，展現「做中學」的學習理念。 3.各章節均附上習題，除了觀念複習外，並提供專案實作，藉以達到有效的學習效果。 目錄 第1 章 介紹 1-1 引言 1-2 相關領域知識 1-3 基本定義與專業術語 1-4 數位影像檔案格式 1-5 數位影像處理軟體 1-6 數位影像處理技術應用 第2 章 Python 程式設計 2-1 Python 程式語言 2-2 Python 程式設計 2-3 OpenCV 介紹 2-4 數位影像處理初體驗 2-5 OpenCV 繪圖 第3 章 數位影像基礎 3-1 電磁波概念 3-2 人類視覺系統 3-3 影像擷取 3-4 影像形成模型 3-5 數位影像的取樣與量化 第4 章 幾何轉換 4-1 基本概念 4-2 空間轉換 4-3 影像內插 4-4 仿射轉換 4-5 透視轉換 4-6 相機幾何失真 第5 章 影像增強 5-1 基本概念 5-2 強度轉換 5-3 直方圖處理 5-4 影像濾波 第6 章 頻率域影像處理 6-1 基本概念 6-2 離散傅立葉轉換 6-3 頻率域濾波 第7 章 影像還原 7-1 基本概念 7-2 影像雜訊 7-3 週期性雜訊 7-4 影像雜訊分析 7-5 影像還原 7-6 反濾波 7-7 維納濾波 7-8 影像補繪 第8 章 色彩影像處理 8-1 色彩理論 8-2 色彩模型 8-3 灰階與色彩轉換 8-4 色彩影像增強 8-5 HSI 色彩影像處理 8-6 HSV 色彩分割 第9 章 影像分割 9-1 基本概念 9-2 邊緣偵測 9-3 直線偵測 9-4 圓形偵測 9-5 影像閥值化 9-6 適應性閥值化 9-7 分水嶺影像分割 9-8 GrabCut 影像分割 第10 章 二值影像處理 10-1 基本概念 10-2 基本定義與術語 10-3 形態學影像處理 10-4 補洞演算法 10-5 骨架化演算法 10-6 距離轉換 第11 章 小波與正交轉換 11-1 基本概念 11-2 簡易的小波轉換 11-3 小波轉換 11-4 離散小波轉換(1D) 11-5 離散小波轉換(2D) 11-6 小波轉換的數位影像處理應用 11-7 基於矩陣的轉換 第12 章 影像壓縮 12-1 基本概念 12-2 資訊理論 12-3 熵編碼 12-4 影像壓縮系統 12-5 區塊轉換編碼 12-6 JPEG 影像壓縮 第13 章 特徵擷取 13-1 基本概念 13-2 連通元標記 13-3 輪廓搜尋 13-4 形狀特徵 13-5 輪廓特徵 13-6 角點偵測 13-7 關鍵點偵測 13-8 膚色偵測 13-9 臉部偵測 第14 章 影像特效 14-1 基本概念 14-2 幾何特效 14-3 像素特效 14-4 非真實感繪製 第15 章 深度學習 15-1 基本概念 15-2 人工神經網路 15-3 卷積神經網路 15-4 典型的卷積神經網路 附 錄 數學背景 基本數學公式 參考文獻 習題
其他會員也一起購買
內容簡介 機器學習是AI人工智慧的基礎，但機器學習本身是門較高深的課程，而本書為了讓讀者能夠快速理解，從入門者的角度做編寫。書中先講述AI及Python語言，複習Python基礎語法到進階語法，讓讀者先掌握Python語言，接著學習機器學習的各種實作項目，如資料分析、線性回歸模型及模型評估等，藉此對於機器學習有更進一步的認識。 產品目錄 第一章 AI、AI技術與AI應用 1-1 人工智慧 1-2 AI技術 1-3 AI應用 1-4 AI與數學 1-5 AI與編程 1-6 何謂深度學習？ 第二章 Python基礎編程語法 2-1 何謂變數？ 2-2 編程的操作型定義～以變數為例 2-3 運算與資料 2-4 決策(if)語法 2-5 while 迴圈 2-6 for 迴圈 2-7 功能呼叫 (function call) 2-8 全域變數與區域變數 2-9 List 資料結構 2-10 物件的基本觀念 2-11 numpy模組的多維陣列 第三章 Python進階編程語法 3-1 向量運算模式與泛化函式 3-2 matplotlib繪圖模組的運用 3-3 檔案的輸入輸出 3-4 物件導向程式設計基本概念 3-5 其他 第四章 資料分析的基本觀念 4-1 隨機取樣 4-2 摘要統計(summary statistics) 4-3 共變異數與相關係數 4-4 資料分群演算法 4-5 Python的K-means 分群演算法的應用 第五章 線性迴歸模型 5-1 線性迴歸的數學原理 5-2 Python的線性迴歸模組 5-3 線性回歸模型的應用 5-4 羅吉斯迴歸 第六章 線性分類器 6-1 線性迴歸分類器 6-2 支持向量機分類器 6-3 SVM原理推導 6-4 核函數 6-5 SVM的多元分類應用 第七章 非線性分類器 7-1 類神經網路分類器概論 7-2 類神經網路應用 7-3 Python的類神經網路機器學習模組 7-4 決策樹實務應用 第八章 模型評估 8-1 分類器效能指標 8-2 ROC 曲線 8-3 殘差分析 第九章 其他AI相關主題 9-1 k最近鄰分類演算法 9-2 單純貝氏分類器 9-3 主要成分分析 9-4 資料前處理 9-5 集成學習 附錄A Python安裝與使用
其他會員也一起購買
【簡介】 本書特色 1.由淺入深介紹數位訊號處理(Digital Signal Processing, DSP)的理論基礎、相關技術與實際應用等課題，其中包含豐富的範例、習題與解答。 2.以主題式的章節安排，內容涵蓋DSP基礎理論與關鍵技術，包含：類比與數位訊號、訊號生成、雜訊、DSP系統、卷積與相關、傅立葉級數與轉換、z轉換、FIR/IIR濾波器、頻譜分析、頻率響應等，強調理論與技術的緊密結合。 3.使用Python程式設計，在每個章節中均根據主題進行DSP技術的實作，藉此培養DSP技術的實務研發能力，實現「做中學」的學習理念。 4.本書適合作為電機、電子、資工等相關科系的教科書，同時也適合作為自我進修的參考書籍。 內容簡介 本書詳細介紹DSP技術、理論與應用，且有豐富的範例、習題以及解答，強調理論與技術是不可或缺的，並用Python程式設計，進行DSP技術實作，藉此培養實務研發能力。 【目錄】 第一章 介紹 1.1 訊號 1.2 系統 1.3 訊號處理 1.4 DSP技術應用 1.5 音訊檔案格式 1.6 音訊處理軟體 1.7 Python程式語言 習題 第二章 類比訊號 2.1 基本概念 2.2 弦波 2.3 複數 2.4 複數指數訊號 2.5 相量與相量加法 習題 第三章 數位訊號 3.1 基本概念 3.2 取樣與量化 3.3 數學表示法 3.4 基本的數位訊號 3.5 數位音訊檔 3.6 即時可視化 習題 第四章 訊號生成 4.1 基本概念 4.2 週期性訊號 4.3 非週期性訊號 習題 第五章 雜訊 5.1 基本概念 5.2 均勻雜訊 5.3 高斯雜訊 5.4 布朗尼雜訊 5.5 脈衝雜訊 5.6 訊號雜訊比 習題 第六章 DSP系統 6.1 基本概念 6.2 基本運算 6.3 取樣率轉換 6.4 音訊檔DSP 習題 第七章 卷積 7.1 卷積 7.2 卷積與濾波 7.3 音訊檔濾波 習題 第八章 相關 8.1 交互相關 8.2 自相關 8.3 自相關應用 習題 第九章 傅立葉級數與轉換 9.1 傅立葉級數 9.2 傅立葉轉換 9.3 離散時間傅立葉轉換 9.4 離散傅立葉轉換 習題 第十章 z轉換 10.1 z轉換 10.2 z轉換範例 10.3 z轉換性質 10.4 轉換函式 10.5 零點與極點 10.6 反z轉換 習題 第十一章 FIR濾波器 11.1 基本概念 11.2 FIR濾波器 11.3 FIR濾波器應用 習題 第十二章 IIR濾波器 12.1 基本概念 12.2 脈衝響應 12.3 步階響應 12.4 IIR濾波器應用 習題 第十三章 頻譜分析 13.1 基本概念 13.2 傅立葉頻譜 13.3 功率頻密度 習題 第十四章 頻率響應 14.1 基本概念 14.2 濾波器分類 14.3 頻率響應範例 習題 第十五章 頻率域DSP 15.1 基本概念 15.2 理想濾波器 15.3 頻譜平移 15.4 音訊檔的頻率域DSP 習題 第十六章 濾波器設計 16.1 基本概念 16.2 窗函數 16.3 FIR濾波器設計 16.4 IIR濾波器設計 習題 第十七章 時頻分析 17.1 基本概念 17.2 短時間傅立葉轉換 17.3 時頻圖 17.4 音訊檔的時頻分析 習題 第十八章 小波轉換 18.1 基本概念 18.2 簡易的小波轉換 18.3 小波轉換 18.4 離散小波轉換 18.5 音訊檔的小波轉換DSP 習題 第十九章 DSP技術應用 19.1 數位音樂合成 19.2 數位語音合成 19.3 數位語音辨識 習題 附錄 基本數學公式 積分表 傅立葉級數與轉換 z轉換 參考文獻
其他會員也一起購買
【簡介】 本書特色 1.本書以Python語言來實作資料結構中的重要理論，適合已經學過Python程式語法、具有基礎Python類別與物件語法與概念的讀者進階研習資料結構。 2.章節安排從資料結構的基礎到進階依序編次，讓學習有目標，有方法。 3.圖解各種資料結構新增、刪除、搜尋元素的方法及步驟，讓資料結構的觀念一看就懂。 內容簡介 本書適合已經學過Python程式語法、具有基礎Python類別與物件語法與概念的讀者進階研習資料結構。使用圖解方式說明資料結構的概念，依照步驟顯示資料結構中新增、刪除、搜尋元素的運作過程，各種資料結構的優缺點與使用時機，務求讓概念的解說清楚易懂。接著，進行程式碼實作與解說，並分析程式的執行效率。 本書從基礎到進階方式安排章節次序，依序為資料結構簡介、Python的資料儲存容器、陣列、鏈結串列、佇列與堆疊、樹狀結構、進階樹狀結構、排序、搜尋與雜湊、圖形資料結構與圖形走訪、圖形最短路徑、常見圖形演算法、2-3-Tree、2-3-4-Tree 與B-Tree。一步步帶領讀者進入資料結構的世界，熟悉資料結構的概念，以運用資料結構解決問題，提高程式執行速度。 學習資料結構沒有捷徑，在程式實作中不斷地融入資料結構，比較不同資料結構對程式執行速度的影響，慢慢累積就會進步。 【目錄】 第1章 資料結構簡介 1-1 資料結構的定義 1-2 資料結構影響程式執行效率 1-3 演算法的定義 1-4 程式執行效率分析 1-5 評估程式的複雜度 第2章 Python的資料儲存容器 2-1 tuple 2-2 串列 2-3 字典 2-4 集合 第3章 陣列 3-1 一維陣列 3-2 一維陣列的程式實作 3-3 二維陣列 3-4 二維陣列的程式實作 第4章 鏈結串列 4-1 鏈結串列 4-2 環狀鏈結串列 4-3 雙向鏈結串列 4-4 實作鏈結串列 第5章 佇列與堆疊 5-1 佇列 5-2 堆疊 第6章 樹狀結構 6-1 簡介樹狀結構 6-2 二元樹 6-3 二元搜尋樹 第7章 進階樹狀結構 7-1 霍夫曼編碼 7-2 AVL樹 第8章 排序 8-1 氣泡排序 8-2 選擇排序 8-3 插入排序 8-4 合併排序 8-5 快速排序 8-6 堆積排序 8-7 基數排序 8-8 各種排序演算法的比較 第9章 搜尋與雜湊 9-1 搜尋 9-2 雜湊 第10章 圖形資料結構與圖形走訪 10-1 簡介圖形資料結構 10-2 實作圖形資料結構 10-3 使用深度優先進行圖的走訪 10-4 使用寬度優先進行圖的走訪 第11章 圖形最短路徑 11-1 實作圖形資料結構-新增邊的權重 11-2 使用Dijkstra演算法找最短路徑 11-3 使用Bellman Forde演算法找最短路徑 11-4 使用Floyd Warshall演算法找最短路徑 第12章 常見圖形演算法 12-1 拓樸排序 12-2 尤拉迴路 12-3 最小生成樹 12-4 找出關節點 第13章 2-3-Tree、2-3-4-Tree與B-Tree 13-1 2-3-Tree 13-2 2-3-4-Tree 13-3 B-Tree
其他會員也一起購買
【簡介】 植物可以藉由其生命的最小單位─細胞再生出完整的植物體。善加利用植物的分化全能性(totipotency)，即可提高農作物產量，進而解決糧食危機的問題；同時亦可使沙漠變綠地，以擴大人類可居住的範圍。本書介紹植物組織培養的歷史、基礎、應用以及基因轉殖的技術，相當適合於入門者參考。 【目錄】 第一章 植物組織培養法之誕生及發展 1.1 植物組織培養之歷史 1.2 植物之生活 1.3 培育出新種植物之方法 1.4 組織培養之問題 第二章 植物組織培養之基礎 2.1 癒傷組織之誘發 2.2 癒傷組織之繼代培養 2.3 懸浮培養 2.4 原生質體 2.5 細胞融合 2.6 培養細胞之分化 第三章 植物組織培養之展望 3.1 植物組織培養與生物技術 3.2 大量繁殖方法 3.3 人工種子 3.4 不同種間之雜種製作 3.5 特質轉變─以高效率製作出雜種 3.6 有用物質之生產
相關熱銷的書籍推薦給您
書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959
類似書籍推薦給您
【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
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
