圖解機器學習與資料科學的數學基礎｜使用Python (1版)

類似書籍推薦給您

內容簡介 　　搞懂不會背叛你的數學，進一步提升你的程式功力！ 　　本書透過圖表解說人工智慧與資料科學領域的相關數學知識，並告訴你如何將其轉換為程式碼，除了可以吸收關於數學的知識之外，也能立即運用在工作上。 　　透過機率統計的學習，了解如何改善業務流程 　　本書將AI與資料科學的相關數學知識分成四大篇，第一篇的「機率統計、機器學習篇」介紹的是了解工作情況，篩選出必要資訊的流程，以及位於這個流程背後的機率統計、機器學習的數學知識。能掌握工作情況就能知道該如何改善相關業務，也能進一步觀察未來的變化。 　　了解最佳化的步驟，學會職場所需的最佳化流程 　　第二篇「數理最佳化篇」介紹最佳化業務的流程，以及解決業務問題的方法。要最佳化業務，就必須先了解哪些部分需要改善效率，換言之，最佳化的重點在於找出問題。了解最佳化的步驟與問題的種類，就能學會工作職場所需的最佳化流程。 　　透過預測病毒的傳播模式，了解相關的數學理論 　　第三篇「數值模擬篇」則以傳染染病的傳播為主題，學習預測這類傳播模式的微分。只要了解微分，就能了解病毒的傳播模式，也能利用動畫說明傳播模式與製作出臨場感十足的簡報。最後的「深度學習篇」則會先說明近年來發展神速的深度學習技術原理，再說明這些原因都於哪些技術或職場應用。 來自讀者的讚譽 　　「這是我買過最實用的書」 　　「這本書可以讓你知道如何將數學應用在現實世界的工作之中」 　　「這本書拯救了文科出身，在工作上又不得不面對數學的我」 目錄 序章｜設定 Python開發環境 第一篇機率統計、機器學習篇 第1章｜取得資料之後的第一件事 第2章｜試著利用機器學習進行分析 第3章｜推測必需的資料筆數 第二篇 數理最佳化篇 第4章｜透過最佳路徑規劃問題，了解解決最佳化問題的方法 第5章｜透過排班問題了解最佳化問題的全貌 第三篇 數値模擬篇 第6章｜試著預測傳染病的影響 第7章｜試著透過動畫模擬人類的行為 第四篇 深度學習篇 第8章｜了解深度學習辨識影像的方法 第9章｜了解深度學習處理時間序列資料的機制 第10章｜了解以深度學習進行的圖片處理與語言處理 Appendix 程式設計與數學之間的橋梁 Appendix 1｜利用公式了解常態分佈 Appendix 2｜微分方程式差分法造成的誤差與泰勒展開式 Appendix 3｜非線性最佳化的機械學習／深度學習的迴歸／分類

Python資料科學自學聖經：不只是建模！用實戰帶你預測趨勢、找出問題與發現價值(附關鍵影音教學、範例檔) (1版)

類似書籍推薦給您

Python資料科學自學聖經：不只是建模！用實戰帶你預測趨勢、找出問題與發現價值（附關鍵影音教學、範例檔） 系列名：程式設計 ISBN13：9786263241657 出版社：碁峰資訊 作者：鄧文淵-總監製;文淵閣工作室-編著 裝訂／頁數：平裝／440頁 規格：23cm*17cm*2cm (高/寬/厚) 出版日：2022/05/09 中國圖書分類：電腦程式語言 內容簡介 網路書店年度百大電腦資訊暢銷書 《Python自學聖經》系列力作 運用Python掌握資料科學的價值 讓人工智慧機器學習找出趨勢的關鍵密碼 完整涵蓋Python資料科學技術，從開發工具、資料預處理、 機器學習、深度學習到模型訓練進化一應俱全！ 給需要本書的人： ★想進入Python資料科學領域，又不知怎麼切入的人 ★面對資料科學龐大又雜亂的理論與資訊卻不知如何下手的人 ★想快速且有系統收集大量資料，並提高處理運用效率的人 ★想利用大量資料進行分析，找出隱藏訊息與趨勢以協助決策的人 ★想運用資料數據訓練人工智慧模型，開發適用的演算法進行預測與解決問題的人 隨著AI人工智慧帶來的科技革命，資料科學的應用正在改變你我的生活。如何由龐大的資料數據中擷取爬梳出有價值的資訊，判斷決策，甚至能預測趨勢、掌握契機，是資料科學為現代社會帶來的新視野。 　 資料科學橫跨多個領域，涵蓋數學、統計與電腦科學等面向。如果想有系統的進入資料科學領域，歡迎藉由本書循序漸進的學習。書中除了有資料科學的觀念，還有技術應用與發展方向，讓每個艱澀觀念都能在範例實作的引導下有著更清楚的輪廓，讓你一探資料科學迷人的樣貌。 【重要關鍵】 ■應用工具：雲端開發平台(Google Colab)、資料科學工具(Numpy、Pandas、Matplotlib、Seaborn)、網路爬蟲(requests、BeautifulSoup)。 ■資料預處理：資料清洗、缺失值、重複值及異常值的處理、資料檢查、資料合併、樞紐分析表、圖片增量，以及資料標準化、資料轉換與特徵選擇。 ■機器學習：學習工具(Scikit-Learn)、非監督式學習(K-means演算法、DBSCAN演算法、PCA降維演算法)、監督式學習分類演算法(Scikit-Learn資料集、K近鄰演算法、單純貝氏演算法、決策樹演算法、隨機森林演算法)、監督式學習迴歸演算法(線性迴歸演算法、邏輯迴歸演算法、支持向量機演算法)。 ■深度學習：學習工具(TensorFlow、Keras)、深度神經網路(DNN)、MNIST手寫數字圖片辨識實作、Gradio模組(深度學習成果展示、過擬合)、卷積神經網路(CNN)與循環神經網路(RNN)。 ■模型訓練進化：預訓練模型、遷移學習、深度學習參數調校、hyperas參數調校神器，以及手寫數字辨識參數調校。 【超值學習資源】 獨家收錄「Python資料科學關鍵影音教學」、全書範例程式檔 本書特色 ■深入淺出，只要具備基礎Python程式語言能力即可輕鬆上手。 ■標示出重要觀念，在學習的過程中不會錯失關鍵內容。 ■應用範例導向，每個觀念皆附實用案例，不怕學不會。 ■不使用艱澀數學推導資料科學原理，而以淺顯易懂的文字解說學理。 ■實作圖片增量及遷移學習，即使少量資料也可訓練出實用模型。 ■實作機器學習與深度學習模型參數調校，輕鬆建立完美模型。   目錄 資料科學工具篇 第1章 進入資料科學的學習殿堂 1.1 認識資料科學 1.2 Google Colab：雲端的開發平台 1.3 Colab 的筆記功能 第2章 資料科學神器：Numpy 與Pandas 2.1 Numpy：高速運算的解決方案 2.2 Numpy 陣列建立 2.3 Numpy 陣列取值 2.4 Numpy 的陣列運算功能 2.5 Pandas：資料處理分析的強大工具 2.6 Series 的使用 2.7 DataFrame 的建立 2.8 Pandas DataFrame 資料取值 2.9 DataFrame 資料操作 第3章 資料收集：檔案存取與網路爬蟲 3.1 資料來源的取得 3.2 CSV 檔案的讀取 3.3 JSON 資料的讀取 3.4 Excel 試算表檔案的讀取 3.5 HTML 網頁資料讀取 3.6 儲存資料為檔案 3.7 認識網路爬蟲 3.8 requests 模組：讀取網站檔案 3.9 BeautifulSoup 模組：網頁解析 3.10 文字及檔案資料的收集 第4章 資訊圖表化：Matplotlib 與Seaborn 4.1 Matplotlib：資訊視覺化的核心工具 4.2 折線圖：plot 4.3 長條圖與橫條圖：bar、barh 4.4 圓形圖：pie 4.5 直方圖：hist 4.6 散佈圖：scatter 4.7 線箱圖：boxplot 4.8 設定圖表區：figure 4.9 在圖表區加入多張圖表：subplot、axes 4.10 Pandas 繪圖應用 4.11 Seaborn：更美觀的圖表工具 資料預處理篇 第5章 資料預處理：資料清洗及圖片增量 5.1 資料清洗處理 5.2 資料檢查 5.3 資料合併 5.4 樞紐分析表 5.5 圖片增量 第6章 資料預處理：標準化、資料轉換與特徵選擇 6.1 Scikit-Learn：機器學習的開發工具 6.2 數值資料標準化 6.3 非數值資料轉換 6.4 認識特徵選擇 6.5 使用Pandas 進行特徵選擇 6.6 使用Scikit-Learn 進行特徵選擇 機器學習篇 第7章 機器學習：非監督式學習 7.1 認識機器學習 7.2 K-means 演算法 7.3 DBSCAN 演算法 7.4 降維演算法 第8章 機器學習：監督式學習分類演算法 8.1 Scikit-Learn 資料集 8.2 K 近鄰演算法 8.3 單純貝氏演算法 8.4 決策樹演算法 8.5 隨機森林演算法 第9章 機器學習：監督式學習迴歸演算法 9.1 線性迴歸演算法 9.2 邏輯迴歸演算法 9.3 支持向量機演算法 深度學習篇 第10章 深度學習：深度神經網路(DNN) 10.1 認識深度學習 10.2 認識深度神經網路(DNN) 10.3 實作MNIST 手寫數字圖片辨識 10.4 Gradio 模組：深度學習成果展示 10.5 過擬合 第11章 深度學習：卷積神經網路(CNN) 11.1 認識卷積神經網路(CNN) 11.2 實作貓狗圖片辨識 第12章 深度學習：循環神經網路(RNN) 12.1 認識循環神經網路(RNN) 12.2 下載台灣股市資料 12.3 實作台灣股票市場股價預測 模型訓練進化篇 第13章 預訓練模型及遷移學習 13.1 預訓練模型 13.2 遷移學習 第14章 深度學習參數調校 14.1 hyperas 模組：參數調校神器 14.2 手寫數字辨識參數調校

Python 程式設計─AI 與資料科學應用 (3版)

類似書籍推薦給您

【簡介】 新版書將 AI 協作各個部分整合到章節中，從 AI 幻覺的案例開始說明提示工程，到如何利用 AI 協助除錯、產生測試案例、分析問題、推薦語法，並以通用大語言模型 ChatGPT、Claude 與哈佛大學特殊用途 CS50.ai 助教來作說明。 　　本書分成基礎篇和應用篇兩個部分來引發讀者學習興趣，第一部分「基礎篇」主要在介紹 Python 程式語言的基本語法與基本套件。第二部分「應用篇」分別是：「AI 協作案例」、「人臉辨識」、「物件辨識」、「視覺化文字資料」、「簡單線性迴歸」、「簡單線性分類」、「地理資訊系統應用」、「序列資料處理」、「資料的動畫呈現」、「字元辨識、翻譯與語音轉譯」。讓讀者可以用非常少的程式碼，製作出各式各樣與 AI 和「資料科學」相關的應用系統。 　　本書有完整的學習地圖，讀者可以依循學習地圖來學習，部分「應用篇」的章節，不會用到所有「基礎篇」的內容，所以可以安排提前學習，讀者甚至可以自行規劃學習路徑。另外，本書大部分所使用的資料集都會重複使用，讀者也可以依據資料使用的前後關係來自行規劃學習路徑。 【目錄】 Part 1　基礎篇 Chapter 1 Python程式語言簡介 Chapter 2 人工智慧與資料科學簡介 Chapter 3 變數與輸入輸出 Chapter 4 控制結構 ─ 分支 Chapter 5 控制結構 ─ 迴圈 Chapter 6 函數的使用與製作 Chapter 7 容器型別 Chapter 8 套件簡介 Part 2　應用篇 Chapter 9 AI協作案例簡介 Chapter 10 人臉辨識 Chapter 11 物件辨識 Chapter 12 視覺化文字資料 Chapter 13 簡單線性迴歸 Chapter 14 簡單線性分類 Chapter 15 地理資訊系統應用 Chapter 16 序列資料處理 Chapter 17 資料的動畫呈現 Chapter 18 字元辨識、翻譯與語音轉譯

行銷資料科學實務 : 使用Python與R (1版)

類似書籍推薦給您

內容簡介 　　已經有越來越多的公司採用資料科學與機器學習來輔助行銷活動的進行。本書將告訴您，如何有效地運用數據，制定更有效率的行銷策略。 　　本書可以幫助您了解： 　　．如何使用Python或R計算KPI並產生視覺化圖表 　　．如何利用資料科學找出行銷活動的成功因素 　　．如何使用機器學習預測客戶行為 　　．如何提供客戶成交率最高的產品建議 　　．如何使用A/B Test來制定更好的行銷策略 　　．如何藉由機器學習來了解目標客群 目錄 Section 1 導論與環境設定 　chapter 1 資料科學與行銷 Section 2 導論與環境設定 　chapter 2 關鍵績效指標與視覺化 　chapter 3 行銷參與度背後的驅動因素 　chapter 4 從參與度到轉換率 Section 3 產品可見度與行銷 　chapter 5 產品分析5 　chapter 6 推薦對的產品 Section 4 個人化行銷 　chapter 7 消費者行為的探索式分析 　chapter 8 預測行銷參與度的可能性 　chapter 9 顧客終身價值 　chapter 10 以資料驅動的顧客區隔 　chapter 11 留住顧客 Section 5 更好的決策 　chapter 12 運用 A/B測試發展更佳行銷策略 　chapter 13 下一步？