管理學 (14版)

書名：管理學(14版) 作者：Robbins(洪緯典) 余坤東/審閱出版社：華泰出版日期：2019/09/00 ISBN：9789869781527 內容簡介一、本書翻譯自Stephen P. Robbins與Mary Coulter所著《管理學》(Management 14e)。以組織、管理者、決策為核心，再以管理四大功能向外推展，內容結構清晰、條理分明、邏輯嚴謹，能為讀者建立完整的管理思維。二、本書內容橫向擴展至全球觀點，縱向深入現代社會改變，包括：設計思考、大數據、職場多元性、社會責任、綠色管理、創造力、創新、創業家精神、分享經濟等，形成鼓勵讀者更進一步思考未來管理議題的現代管理學。三、每章均提供摘要，協助讀者掌握關鍵概念；每章同時提供適合的個案，有助於讀者加深印象並掌握抽象概念、培養應用能力，並進行反思。目錄第一篇管理學導論第1章工作環境中的管理者與你第2章決策制定第二篇現今工作環境下的管理第3章全球管理第4章重視多元的工作團隊第5章社會意識管理第6章變革管理第7章管理者的限制第三篇規劃第8章規劃與目標設定第9章策略規劃第10章培養創業家精神第四篇組織第11章組織設計第12章以團隊為核心的組織方式第13章人力資源管理第五篇領導第14章人際及組織溝通第15章組織行為第16章領導第17章激勵第六篇控制第18章控制組織活動及作業

原價: ~~800~~ 售價: 720 現省: 80元

立即查看

科技管理：基礎與應用 (2版)

【中文書】書名：科技管理：基礎與應用二版作者：袁建中陳坤成出版社：華泰出版日期：2016/11/25 ISBN：9789869362900 內容簡介　　本書透過科技服務、技術移轉與智慧財產權三大主軸探討科技管理議題，給予讀者不同面向的觀點。每章佐以科技公司管理案例，將學術理論與企業實務結合，書中探討之科技議題與社會脈動息息相關，即使非管理相關科系背景的學生也適合閱讀、參考。全書分為五大部分：　　一、科技管理與競爭力之基礎理論概念：探討科技管理的定義與內涵，解析科技管理如何提升國家競爭力。　　二、技術創新與策略：說明企業如何運用技術預測與技術創新。　　三、高科技研發與行銷：論述高科技公司研發策略的應用與產品的全球市場布局。　　四、智慧財產權與技術移轉：透過智慧財產權與技術移轉的管理，保障新產品技術並協助企業獲取利潤。　　五、新創高科技事業與企業倫理：介紹新創高科技事業之產業現況，探悉歐盟環保法令對企業倫理之影響。目錄第1章基本概論第2章科技管理與國家競爭力第3章產業研究與分析第4章技術創新第5章技術預測第6章技術策略第7章產品系統與發展第8章高科技研發管理第9章高科技產品的生產與行銷第10章高科技公司的管理第11章企業評價第12章智慧財產權第13章技術移轉第14章科技策略和企業策略的整合第15章新創高科技事業第16章科技與企業倫理實踐

原價: ~~720~~ 售價: 684 現省: 36元

立即查看

組織行為2/e (2版)

書名：組織行為(第二版) 作者：張仁家、湯誌龍出版社：全華出版日期：2018/05/21 ISBN：9789864637737 內容簡介　　「組織行為」從字面上即可看出該書是探討與組織相關的各種人類行為。依此定義來看，組織行為幾乎無所不包，因為組織內會不斷發生各式各樣的行為，但真正有趣的並非人類行為，而是行為背後的原因與行為後的結果。此書以社會學、心理學、人類學等學理作為基礎，探討人們在組織中的各種行為、原因與結果。　　本書為組織行為的入門書籍，不但適合技專校院學生使用，同時適合各行各業從業人員以及一般社會大眾閱讀，對讀者的工作績效、工作滿意、員工領導與激勵等方面，都有莫大的助益。本書特色　　1.敘述搭配圖表化，使讀者能有效吸收組織行為之理論。　　2.「章前個案」、「OB專欄」與「個案分析」，提供完整個案導讀探討。　　3.章後習題充足多元，含選擇10題、名詞解釋3～5題、問題討論2～5題。　　4.特有「教學活動」單元，運用分組互動探討組織行為，增強課堂的學習氣氛與效果。　　（EX：CH8溝通：17秒自我介紹）目錄第1 篇　組織行為的基本概念 CHAPTER01 認識組織行為學 1.1 組織行為的定義 1.2 組織行為的學理基礎 1.3 組織行為的範疇 1.4 OB 與管理者的關係 1.5 為何我們要學習組織行為 1.6 組織行為研究的變項 1.7 結論：組織行為未來將面臨的挑戰 CHAPTER02 組織內的多樣性 2.1 組織多樣性的定義 2.2 員工多樣化 2.3 組織多樣性的原因 2.4 組織常見的人口變項 2.5 職場歧視 2.6 組織多元化對組織的好處 2.7 執行多元化管理的策略 2.8 結論與建議第2 篇　組織行為的個體層次 CHAPTER03 價值觀、態度與工作滿足感 3.1 價值觀是什麼？ 3.2 價值觀的類型 3.3 不同文化價值觀之比較 3.4 態度的意涵 3.5 態度形成的影響因素與主要成分 3.6 工作態度與組織行為 3.7 工作滿足的意涵 3.8 工作滿足的影響因素 3.9 工作滿足的職場效應 3.10 結語 CHAPTER04 人格與情緒 4.1 人格特質的意涵 4.2 人格的五大模式 4.3 影響組織行為之人格屬性 4.4 不同國家人格特質 4.5 情緒的來源 4.6 情緒的外在限制 4.7 情緒勞務的意涵暨影響組織之層面 4.8 結語 CHAPTER05 知覺與個體決策 5.1 知覺與影響因素 5.2 歸因理論 5.3 知覺判斷常見的偏誤 5.4 個體決策 5.5 決策的評估與有限理性 5.6 常見的決策偏差與謬誤 CHAPTER06 激勵 6.1 激勵理論 6.2 激勵理論應用第3 篇　組織行為的團體層次 CHAPTER07 團隊與合作 7.1 團體 7.2 團隊的定義與發展過程 7.3 團隊規範 7.4 團隊角色 . 7.5 工作團隊 . 7.6 團隊凝聚力 7.7 團隊決策 .7-17 7.8 建立有效的團隊 CHAPTER08 溝通 8.1 溝通定義與功能 8.2 溝通的模型 8.3 溝通的方向 8.4 溝通的方式 8.5 溝通的策略 8.6 組織溝通 8.7 跨文化的溝通 8.8 溝通的雜音 CHAPTER09 領導的基本論述 9.1 領導是什麼？ 9.2 特質理論 9.3 行為理論 9.4 權變理論 9.5 領導者－成員交換理論 9.6 領導者參與模式 9.7 當代領導類型 9.8 華人領導學 9.9 當代領導角色 9.10 領導學新議題 CHAPTER10 權力與政治行為 10.1 權力的定義 10.2 組織權力的來源 10.3 權力的功能 10.4 權力的特性 10.5 權力的運用 10.6 權力運用策略 10.7 組織政治 10.8 影響政治行為的因素 10.9 政治行為的回饋 CHAPTER11 衝突與協商 11.1 何謂衝突？ 11.2 衝突形成原因 11.3 組織衝突的種類 11.4 衝突的行為 11.5 衝突的管理與技巧 11.6 協商 11.7 協商過程第4 篇　組織行為的組織層次 CHAPTER12 組織結構的介紹 12.1 組織結構的定義 12.2 組織結構設計的要素 12.3 企業組織結構的型式 12.4 企業組織結構的演變 12.5 企業組織結構的發展趨勢 12.6 企業組織結構扁平化 12.7 扁平化管理的策略 12.8 結論與建議 CHAPTER13 組織文化 13.1 何謂組織文化？ 13.2 組織文化的功能與負面影響 13.3 組織文化的創造與維護 13.4 組織文化的類型 13.5 員工如何學習組織文化 13.6 建立正面的組織文化 13.7 結論及對管理者的啟示 CHAPTER14 組織變革及壓力管理 14.1 何謂組織變革？ 14.2 組織變革的時機 14.3 組織變革的基本觀念 14.4 變革管理的理論基礎與方法 14.5 組織變革的實務議題 14.6 壓力管理 14.7 結論與建議 APPE NDIX 附錄附錄C 教學活動

原價: ~~580~~ 售價: 510 現省: 70元

立即查看

電機機械精釋 (7版)

書名：進修、教學：電機機械精釋子敬作者：子敬出版社：超級科技出版日期：2015/05/01 ISBN：9789579831208 內容簡介本書兼具教學及進修的功能，內容著重觀念的建立、理論的探討及問題的解析。

原價: ~~650~~ 售價: 585 現省: 65元

立即查看

高頻交換式電源供應器原理與設計

第一章　交換式電源供應器第二章　電源輸入部份第三章　電源轉換器的種類第四章　轉換器功率電晶體的設計第五章　高頻率的功率變壓器第六章　電源輸出部份：整流器、電感器與電容器第七章　轉換器穩壓器的控制電路第八章　轉換式電源轉換器周邊附加電路與元件第九章　轉換式電源供給器穩定度分析與設計第十章　電磁與射頻干擾(EMI-RFI)的考慮第十一章　電源供給器電氣安全標準

原價: ~~390~~ 售價: 343 現省: 47元

立即查看

深度學習實務應用｜雲端、行動與邊緣裝置 (1版)

內容簡介使用Python、Keras與TensorFlow於人工智慧與電腦視覺專案　　「標題中包含了實用是很有根據的。現今產業中的機器學習實務有兩個優先事項：員工需要提升技能以及模型需要微調。本書是朝向兩者的捷徑。」 -Paco Nathan，Derwen AI創辦人　　不論您是一位渴望進入人工智慧世界的軟體工程師，還是經驗老到的資料科學家，或是夢想著要建立下一個廣受歡迎的人工智慧應用程式的愛好者，您可能都會想要知道要如何開始進行。本書一步步的教導您如何為雲端、行動裝置、瀏覽器與邊緣裝置建立實用的深度學習應用。　　　藉由多年來將深度學習研究轉換為獲獎應用程式的產業經驗，本書的三位作者會指導您如何將想法創意轉換為人們可以使用的事物。　　‧以Keras、TensorFlow、Core ML與TensorFlow Lite訓練、調校及部署電腦視覺模型　　‧為各式裝置開發人工智慧應用，包括Raspberry Pi、Jetson Nano及Google Coral 　　‧探索有趣的專案，從矽谷的Not Hotdog應用程式到Google等級的影像搜尋，還有超過40個案例探討與產業範例　　‧在電腦遊戲環境中模擬自動駕駛汽車，並使用增強式學習來建立微型版本　　‧使用遷移學習在幾分鐘內訓練模型　　‧發掘用來最大化模型準確度與時間、除錯、以及調整至數百萬使用者規模的實用指示目錄第 1 章探索人工智慧的景色第 2 章畫中所言為何：用Keras進行影像分類第 3 章貓狗大戰：用Keras在30行內搞定遷移學習第 4 章建立反向影像搜尋引擎：了解嵌入第 5 章從菜鳥到大師級預測器：最大化捲積類神經網路的準確度第 6 章最大化TensorFlow之速度與效能：便利的清單第 7 章實用工具、提示與技巧第 8 章電腦視覺雲端API：15分鐘內開始運行第 9 章使用TensorFlow Serving與KubeFlow進行雲端可擴展推論服務第 10 章使用TensorFlow.js與ml5.js在瀏覽器上運行人工智慧第 11 章使用Core ML在iOS上進行即時物件分類第 12 章使用Core ML與Create ML建立iOS上的Not Hotdog 第 13 章食物界的Shazam：使用TensorFlow Lite和ML Kit來開發Android應用程式第 14 章使用TensorFlow物件偵測API建立完美的喵星人定位應用程式第 15 章成為自造者：探索邊緣裝置上的嵌入式人工智慧第 16 章使用Keras進行端到端深度學習模擬自駕車第 17 章一小時內建造一部自駕車：在AWS DeepRacer使用增強式學習

原價: ~~880~~ 售價: 748 現省: 132元

立即查看

深度學習的數學地圖: 用Python實作神經網路的數學模型 (1版)

【簡介】『數學 ╳ 深度學習 ╳ Python 三效合一』深度學習用一句話就可以講完：『用訓練的方式找出一個數學函數，將輸入的資料映射到正確的答案』。重點就在於你如何找出那個對的數學函數！本書將深度學習的數學模型與運算式推導出來之後，還能實際執行 Python 程式幫助瞭解整個運算的過程。『打開機器學習的黑箱，才發現裏面全都是數學！』我們常在機器學習 / 深度學習的文章或書中看到線性迴歸、二元分類、多類別分類、和深度學習等名詞，好像要學很多東西！當然，對不懂數學的人確實如此。不過，一旦您理解深度學習底層的數學原理，就會發現原來架構稍微變一下，函數換一下，其實都是系出同門，一通百通啊。要具備這種能力，你必須會微積分、向量/矩陣運算、多變數函數偏微分、指數/對數函數、以及機率/統計。這些在學校都要花很長的時間學習，然而本書考量到您並非想成為數學家或統計學家，因此從中摘取對深度學習最重要的部分濃縮在前半部，幫助您用最短的時間快速掌握數學能力。本書是由施威銘研究室監修，適時加上「編註」補充內容幫助理解。如果您行有餘力，還可以繼續閱讀《機器學習的數學基礎：AI、深度學習打底必讀》一書，裏面有更詳細的數學公式推導。『真正循序漸進，不會一下跳太快』本書的一大特色就是每一步只增加一點差異，不會跳得太快。從線性迴歸模型開始，加入 Sigmoid 激活函數 (啟動函數) 就變成二元分類模型，然後將 Sigmoid 換成 Softmax 函數就擴展到多類別分類模型。然後在深度學習，先從一層隱藏層開始推導與實作，並因應需要調整學習率、改用 ReLU 函數等方法改善準確率。並進而擴展到兩層隱藏層，讓模型更加準確。小編真心認為，這樣的編排方式，讓讀者從既有的基礎逐步墊高實力，相當有利於學習，等您跟著本書走過一遍，自然就能心領神會。本書隨附『數學快查學習地圖』彩色拉頁，將書中用到的各項數學基礎之間的關係整理成表，幫助您用一張圖看懂本書架構，甚至可裁剪下來隨時參考。作者在 Github 提供 Jupyter Notebook 格式的範例程式，另外您也可以從旗標官網下載 Python 範例程式。【目錄】 [導入篇機器學習快速指引] 第 1 章機器學習入門 1.1 何謂機器學習 1.1.1 何謂機器學習模型 1.1.2 機器學習的訓練方法 1.1.3 監督式學習的迴歸、分類模型 1.1.4 訓練階段與預測階段 1.1.5 損失函數與梯度下降法 1.2 第一個機器學習模型：簡單線性迴歸模型 1.3 本書討論的機器學習模型 1.4 數學是深度學習的核心 1.5 本書架構 [理論篇數學速學課程] 第 2 章微分、積分 2.1 函數 2.1.1 函數運作行為 2.1.2 函數的圖形 2.2 合成函數與反函數 2.2.1 合成函數專欄合成函數的表示法 2.2.2 反函數 2.3 微分與極限 2.3.1 微分的定義 2.3.2 函數值增量與微分的關係 2.3.3 切線方程式專欄切線方程式與訓練階段、預測階段的關係 2.4 極大值與極小值 2.5 多項式的微分 2.5.1 x^n 的微分（n 是正整數） 2.5.2 微分計算的線性關係與多項式的微分 2.5.3 x^r 的微分（r 是實數）專欄組合（Combination）與二項式定理 2.6 兩個函數相乘的微分 2.7 合成函數的微分 2.7.1 用鏈鎖法則做合成函數微分 2.7.2 反函數的微分 2.8 兩個函數相除的微分 2.9 積分專欄積分符號的意思第 3 章向量、矩陣 3.1 向量入門 3.1.1 何謂向量 3.1.2 向量的標記法 3.1.3 向量的分量 3.1.4 往多維擴展 3.1.5 分量的符號 3.2 向量和、向量差、純量乘積 3.2.1 向量和 3.2.2 向量差 3.2.3 向量與純量的乘積 3.3 向量的長度（絕對值）與距離 3.3.1 向量的長度（絕對值） 3.3.2 Σ 可整合冗長的加法算式 3.3.3 向量間的距離 3.4 三角函數 3.4.1 三角比 : 三角函數的基本定義 3.4.2 單位圓上的座標 3.4.3 三角函數的圖形 3.4.4 用三角函數表示直角三角形的邊長 3.5 向量內積 3.5.1 向量內積的幾何定義 3.5.2 用分量來表示內積公式 3.6 餘弦相似性 3.6.1 兩個二維向量的夾角 3.6.2 n 維向量的餘弦相似性專欄餘弦相似性的應用範例 3.7 矩陣運算 3.7.1 一個輸出節點的內積表示法 3.7.2 三個輸出節點的矩陣相乘第 4 章多變數函數的微分 4.1 多變數函數 4.2 偏微分 4.3 全微分 4.4 全微分與合成函數 4.5 梯度下降法（GD）專欄梯度下降法與局部最佳解第 5 章指數函數、對數函數 5.1 指數函數 5.1.1 連乘的定義與公式 5.1.2 連乘觀念的推廣 5.1.3 將連乘寫成指數函數形式 5.2 對數函數專欄對數函數的意義 5.3 對數函數的微分專欄用 Python 來計算尤拉數 e 5.4 指數函數的微分專欄以 e 為底的指數函數也可用 exp 表示 5.5 Sigmoid 函數 5.6 Softmax 函數專欄 Sigmoid 和 Softmax 函數的關係第 6 章機率、統計 6.1 隨機變數與機率分佈 6.2 機率密度函數與累積分佈函數專欄 Sigmoid 函數的機率密度函數 6.3 概似函數與最大概似估計法專欄為何概似函數的極值是求最大值，而不是最小值？ [實踐篇機器學習、深度學習實作] 第 7 章線性迴歸模型（迴歸） 7.1 損失函數的偏微分與梯度下降法 7.2 範例問題設定 7.3 訓練資料與預測值的數學符號標示法 7.4 梯度下降法的概念 7.5 建立預測模型 7.6 建立損失函數 7.7 損失函數的微分 7.8 梯度下降法之運用 7.9 程式實作專欄使用 NumPy 7.10 推廣到多元線性迴歸模型專欄學習率與迭代運算次數的調整方法第 8 章邏輯斯迴歸模型（二元分類） 8.1 範例問題設定 8.2 線性迴歸模型與分類模型的差異 8.3 針對預測模型之討論專欄將預測值轉換成機率的意義 8.4 損失函數（交叉熵 Cross entropy） 8.5 損失函數的微分計算 8.6 梯度下降法的運用 8.7 程式實作專欄 scikit-learn 三種模型的比較專欄交叉熵以及熱愛足球的國王們的煩惱第 9 章邏輯斯迴歸模型（多類別分類） 9.1 範例問題設定 9.2 建立模型的基本概念 9.3 權重矩陣 9.4 Softmax 函數 9.5 損失函數 9.6 損失函數的微分計算 9.7 梯度下降法的運用 9.8 程式實作專欄聚合函數 axis 參數的作用第 10 章深度學習 10.1 範例問題設定 10.2 模型的架構與預測函數 10.3 損失函數 10.4 損失函數的微分 10.5 反向傳播 10.6 梯度下降法的運用 10.7 程式實作一：原始版本 10.8 程式實作二：調整權重矩陣初始值的版本 10.9 程式實作三：更換激活函數為 ReLU 的版本 10.10 程式實作四：隱藏層增加為 2 層的版本 [發展篇實務上的解決方法] 第11 章以實用的深度學習為目標 11.1 善用開發框架 11.2 卷積神經網路（CNN） 11.3 循環神經網路（RNN）與長短期記憶（LSTM） 11.4 數值微分 11.5 優化的學習法 11.6 過度配適解決方法 11.7 每次訓練的資料量（批量） 11.8 權重矩陣的初始化 11.9 目標下一座山頭附錄 Jupyter Notebook 開發工具 A.1 啟動 Jupyter Notebook A.2 試寫一個程式 A.3 將檔案輸出成單純的 Python 檔

原價: ~~580~~ 售價: 522 現省: 58元

立即查看

物聯網實作－深度學習應用篇 (1版)

原價: ~~700~~ 售價: 595 現省: 105元

立即查看

Deep Learning 3:用 Python 進行深度學習框架的開發實作 (1版)

Deep Learning 3：用Python進行深度學習框架的開發實作系列名：電腦通訊 ISBN13：9789865027346 出版社：美商歐萊禮作者：齊藤康毅譯者：吳嘉芳裝訂／頁數：平裝／488頁規格：23cm*18.5cm*2.1cm (高/寬/厚) 出版日：2021/04/06 中國圖書分類：特殊電腦方法內容簡介　　從無到有的實作，在動手做的過程中強化對於深度學習的理解　　或許您也曾經用過Tensorflow、PyTorch這類深度學習的框架（Framework），相信您也曾經對裡頭那些神奇的技術與有趣的結構嘆服不已。這本書就是為了解開這些疑問，正確瞭解這些技術而撰寫的。希望你可以從中體會這種技術性的「樂趣」。基於這個目的，本書將秉持著「從零開始製作」的方針，從無到有，一邊操作，一邊思考，透過實作加深理解，獲得審視現代深度學習框架的「新視野」。再藉由這個「新視野」，更廣泛、深入地理解深度學習。　　高人氣、高評價的「Deep Learning基礎理論實作」系列第三部　　《Deep Learning：用Python進行深度學習的基礎理論實作》、《Deep Learning 2|用Python進行自然語言處理的基礎理論實作》是從零開始進行深度學習，藉此瞭解相關結構。當時以單純性為優先，而「手動」設定了運算的「連結」。真正的框架是將這個部分自動化，Define-by-Run就是其中的一種手法，本書將利用從零開始製作DeZero的方式來學習這個機制。請別擔心，閱讀這本書不需要具備前作《Deep Learning：用Python進行深度學習的基礎理論實作》系列的知識。目錄第一階段自動計算微分 STEP 1 把變數當成箱子 STEP 2 產生變數的函數 STEP 3 連結函數 STEP 4 數值微分 STEP 5 誤差反向傳播法的理論 STEP 6 手動執行誤差反向傳播法 STEP 7 誤差反向傳播法的自動化 STEP 8 從遞迴到迴圈 STEP 9 讓函數更方便 STEP 10 測試第二階段用自然的程式碼呈現 STEP 11 可變長度引數（正向傳播篇） STEP 12 可變長度引數（改善篇） STEP 13 可變長度引數（反向傳播篇） STEP 14 重複使用相同變數 STEP 15 複雜的計算圖（理論篇） STEP 16 複雜的計算圖（執行篇） STEP 17 記憶體管理與循環參照 STEP 18 減少記憶體用量的模式 STEP 19 輕鬆使用變數 STEP 20 運算子多載（1） STEP 21 運算子多載（2） STEP 22 運算子多載（3） STEP 23 整合成套件 STEP 24 複雜函數的微分第三階段計算高階微分 STEP 25 計算圖視覺化（1） STEP 26 計算圖視覺化（2） STEP 27 泰勒展開式的微分 STEP 28 函數最佳化 STEP 29 使用牛頓法最佳化（手動計算） STEP 30 高階微分（準備篇） STEP 31 高階微分（理論篇） STEP 32 高階微分（執行篇） STEP 33 使用牛頓法最佳化（自動計算） STEP 34 sin 函數的高階微分 STEP 35 高階微分的計算圖 STEP 36 高階微分以外的用途第四階段建立類神經網路 STEP 37 處理張量 STEP 38 改變形狀的函數 STEP 39 加總函數 STEP 40 進行廣播的函數 STEP 41 矩陣乘積 STEP 42 線性迴歸 STEP 43 類神經網路 STEP 44 整合參數層 STEP 45 整合各層的整合層 STEP 46 用 Optimizer 更新參數 STEP 47 Softmax 函數與交叉熵誤差 STEP 48 多值分類 STEP 49 Dataset 類別與事前處理 STEP 50 取出小批次的 DataLoader STEP 51 MNIST 的學習第五階段使用DeZero 進行挑戰 STEP 52 支援 GPU STEP 53 儲存與載入模型 STEP 54 Dropout 與測試模式 STEP 55 CNN 的機制（1） STEP 56 CNN 的機制（2） STEP 57 conv2d 函數與 pooling 函數 STEP 58 具代表性的 CNN（VGG16） STEP 59 用 RNN 處理時間序列資料 STEP 60 LSTM 與 DataLoader APP A 原地演算法（STEP 14 的補充說明） APP B 執行get_item 函數（STEP 47 的補充說明） APP C 在 Google Colaboratory 執行

原價: ~~780~~ 售價: 663 現省: 117元

立即查看

從統計思維出發：用Python實作的機器學習範例 (1版)

【簡介】　●機器學習的靈魂：以統計數學為核心說明　　●全書圖解及歷史來龍去脈完整說明　　●從步入監督學習之旅開始　　●最精要的線性迴歸模型　　●完整講解K近鄰及貝氏推論　　●邏輯迴歸模型及最大熵模型　　●決策樹，感知機及支援向量機　　●EM演算法及Boosting提升方法　　統計機器學習之旅，從監督學習開始，透過分析已標記的資料集訓練模型，使預測未知資料。最基礎的就是線性迴歸。進一步深入，K近鄰（K-NN）演算法和貝氏推論是統計機器學習中的兩大核心技術。　　之後則說明邏輯迴歸模型和最大熵模型，兩者專注於分類問題。決策樹、感知機和支援向量機（SVM）則代表了更進階的機器學習模型。決策樹通過構建樹狀結構來進行決策，其直觀性和易於理解的特點使其在解釋性要求較高的場景中非常受歡迎。感知機是一種二分類線性分類器，支援向量機則是一種強大的分類器，透過在特徵空間中找到一個最優分割平面來分離不同類別的數據。　　最後，EM（期望最大化）演算法和Boosting方法是提升模型性能的高級技術。EM算法通過迭代最佳化來處理。【目錄】緒論 0.1本書講什麼，初衷是什麼 0.2貫穿本書的兩大思維模式 0.3這本書決定它還想要這樣 0.4如何使用本書第 1 章步入監督學習之旅 1.1機器學習從資料開始 1.2監督學習是什麼 1.3如何評價模型的好壞 1.4損失最小化思想 1.5怎樣理解模型的性能：方差偏差折中思想 1.6如何選擇最佳模型 1.7本章小結 1.8 習題第 2 章線性迴歸模型 2.1探尋線性迴歸模型 2.2最小平方法 2.3線性迴歸模型的預測 2.4擴充部分：嶺迴歸與套索迴歸 2.5案例分析——共用單車資料集 2.6本章小結 2.7 習題第 3 章 K 近鄰模型 3.1鄰友思想 3.2K 近鄰演算法 3.3最近鄰分類器的誤差率 3.4k 維樹 3.5擴充部分：距離度量學習的 K 近鄰分類器 3.6案例分析——鶯尾花資料集 3.7本章小結 3.8 習題第 4 章貝氏推斷 4.1貝氏思想 4.2貝氏分類器 4.3如何訓練貝氏分類器 4.4常用的單純貝氏分類器 4.5擴充部分 4.6案例分析——蘑菇資料集 4.7本章小結 4.8 習題 4.9 閱讀時間：貝氏思想的起源第 5 章邏輯迴歸模型 5.1一切始於邏輯函式 5.2邏輯迴歸模型的學習 5.3邏輯迴歸模型的學習演算法 5.4擴充部分 5.5案例分析——離職資料集 5.6本章小結 5.7 習題 5.8 閱讀時間：牛頓法是牛頓提出的嗎第 6 章最大熵模型 6.1問世間熵為何物 6.2最大熵思想 6.3最大熵模型的學習問題 6.4模型學習的最最佳化演算法 6.5案例分析——湯圓小例子 6.6本章小結 6.7 習題 6.8 閱讀時間：奇妙的對數第 7 章決策樹模型 7.1決策樹中蘊含的基本思想 7.2決策樹的特徵選擇 7.3決策樹的生成演算法 7.4決策樹的剪枝過程 7.5擴充部分：隨機森林 7.6案例分析——帕爾默企鵝資料集 7.7本章小結 7.8 習題 7.9 閱讀時間：經濟學中的基尼指數第 8 章感知機模型 8.1感知機制——從邏輯迴歸到感知機 8.2感知機的學習 8.3感知機的最佳化演算法 8.4案例分析——鶯尾花資料集 8.5本章小結 8.6 習題第 9 章支援向量機 9.1從感知機到支援向量機 9.2線性可分支援向量機 9.3線性支援向量機 9.4非線性支援向量機 9.5SMO 最佳化方法 9.6案例分析——電離層資料集 9.7本章小結 9.8 習題第 10 章 EM 演算法 10.1極大似然法與 EM 演算法 10.2EM 演算法的迭代過程 10.3EM 演算法的應用 10.4本章小結 10.5 習題第 11 章提升方法 11.1提升方法（Boosting）是一種整合學習方法 11.2起步於 AdaBoost 演算法 11.3提升樹和 GBDT 演算法 11.4擴充部分：XGBoost 演算法 11.5案例分析——波士頓房價資料集 11.6本章小結 11.7 習題參考文獻附錄-小冊子第 1 章微積分小工具 1.1 凸函式與凹函式 1.2 幾個重要的不等式 1.3 常見的求導公式與求導法則 1.4 泰勒公式 1.5 費馬原理第 2 章線性代數小工具 2.1 幾類特殊的矩陣 2.2 矩陣的基本運算 2.3 二次型的矩陣表示第 3 章機率統計小工具 3.1 隨機變數 3.2 機率分佈 3.3 數學期望和方差 3.4 常用的幾種分佈 3.5 小技巧—從二項分佈到正態分佈的連續修正第 4 章最佳化小工具 4.1 梯度下降法 4.2 牛頓法 4.3 擬牛頓法 4.4 座標下降法 4.5 拉格朗日對偶思想

原價: ~~880~~ 售價: 792 現省: 88元

立即查看

書名:	實用深度學習 (1版)
作者:	謝哲光、鄭志宏、郭英勝
版次:	1
ISBN:	9789863630722
出版社:	滄海
出版日期:	2018/10
重量:	0.48 Kg
#工程 #電子與電機

定價:	~~360~~元
售價:	335元
庫存:	庫存: 1
LINE US!	詢問這本書團購優惠、書籍資訊等

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