【簡介】 ★★★【機器學習】+【演算法】★★★ ★★★★★【PyTorch】+【Jupyter】★★★★★ 一步一腳印、腳踏實地 機器學習經典演算法全面講解 我們平常視為理所當然的L1、L2、Softmax，Cross Entropy，都是基礎的機器學習所推導出來的，很多人以為不需要學的機器學習演算法，才是站穩腳步的基本大法！ 本書就是讓你可以用Python來真正真槍實戰上手機器學習。從最基礎的資料清理、特徵工程開始，一直到資料集遺漏值的研究，包括了特徵變換、建構，降維等具有實用性的技巧，之後說明了模型是什麼，接下來全書就是各種演算法的詳解，最後還有一個難得的中文自然語言處理的案例，不像一般機器學習的書千篇一律MNIST手寫辨識、人臉辨識這麼平凡的東西，難得有深入「機器學習」的動手書，讓你真的可以在人工智慧的領域中走的長長久久。 大集結！聚類演算法 ✪K-means 聚類 ✪系統聚類 ✪譜聚類 ✪模糊聚類 ✪密度聚類 ✪高斯混合模型聚類 ✪親和力傳播聚類 ✪BIRCH 聚類 技術重點 ✪資料探索與視覺化 ✪Python實際資料集特徵工程 ✪模型選擇和評估 ✪Ridge回歸分析、LASSO回歸分析以及Logistic回歸分析 ✪時間序列分析 ✪聚類演算法與異常值檢測 ✪決策樹、隨機森林、AdaBoost、梯度提升樹 ✪貝氏演算法和K-近鄰演算法 ✪支持向量機和類神經網路 ✪關聯規則與文字探勘 ✪PyTorch深度學習框架 【目錄】 01 Python 機器學習入門 1.1 機器學習簡介 1.2 安裝Anaconda（Python） 1.3 Python 快速入門 1.4 Python 基礎函數庫入門實戰 1.5 機器學習模型初探 1.6 本章小結 02 資料探索與視覺化 2.1 遺漏值處理 2.2 資料描述與異常值發現 2.3 視覺化分析資料關係 2.4 資料樣本間的距離 2.5 本章小結 03 特徵工程 3.1 特徵變換 3.2 特徵 3.3 特徵選擇 3.4 特徵提取和降維 3.5 資料平衡方法 3.6 本章小結 04 模型選擇和評估 4.1 模型擬合效果 4.2 模型訓練技巧 4.3 模型的評價指標 4.4 本章小結 05 假設檢驗和回歸分析 5.1 假設檢驗 5.2 一元回歸 5.3 多元回歸 5.4 正規化回歸分析 5.5 Logistic 回歸分析 5.6 本章小結 06 時間序列分析 6.1 時間序列資料的相關檢驗 6.2 移動平均演算法 6.3 ARIMA 模型 6.4 SARIMA 模型 6.5 Prophet 模型預測時間序列 6.6 多元時間序列ARIMAX模型 6.7 時序資料的異常值檢測 6.8 本章小結 07 聚類演算法與異常值檢測 7.1 模型簡介 7.2 資料聚類分析 7.3 資料異常值檢測分析 7.4 本章小結 08 決策樹和整合學習 8.1 模型簡介與資料準備 8.2 決策樹模型 8.3 隨機森林模型 8.4 AdaBoost 模型 8.5 梯度提升樹（GBDT） 8.6 本章小結 09 貝氏演算法和K- 近鄰演算法 9.1 模型簡介 9.2 貝氏分類演算法 9.3 貝氏網路資料分類 9.4 K- 近鄰演算法 9.5 本章小結 10 支持向量機和類神經網路 10.1 模型簡介 10.2 支援向量機模型 10.3 全連接神經網路模型 10.4 本章小結 11 連結規則與文字探勘 11.1 模型簡介 11.2 資料連結規則探勘 11.3 文字資料前置處理 11.4 文字聚類分析 11.5 《三國演義》人物關係分析 11.6 本章小結 12 深度學習入門 12.1 深度學習介紹 12.2 PyTorch 入門 12.3 卷積神經網路辨識草書 12.4 循環神經網路新聞分類 12.5 自編碼網路重構圖像 12.6 本章小結 A 參考文獻