內容簡介

還在漫無頭緒？一本書帶你走完Python深度學習

內容簡介

✔一書融會貫通統計學、機器學習與計算機科學三大學門，搭建完備的知識體系。
✔以Python語言為基礎，引領讀者學會完成建模，實用性極強。
✔詳析分散式機器學習、神經網路、深度學習等人工智慧的尖精科技。


❑ 全方位闡明資料科學領域的相關知識，從統計分析、機器學習、深度學習中所運用的演算法及模型，輔以經濟學視角所提供關於模型的精闢見解，深入探討模型的可用性。

❑ 書中結合大量的實際案例與程式碼，幫助讀者學以致用，將具體的應用場景和現有的模型加以結合，從而發現模型更多的潛在應用場景。

❑ 章節架構：
1. 透過簡單的實例導引出模型，詳述其理論基礎；
2. 展示實現模型的核心程式；
3. 探討其優缺點及相關模型的比較。既能直觀地展示模型，亦能結合實際程式進行深入的探究，有助於讀者掌握與使用模型能力的提升。


適用讀者

對資料科學有興趣的初學者；資料科學家與工程研發相關技術人員；大專院校計算機、數學及相關領域專業培訓機構。

作者簡介

作者簡介

唐 亘

資料科學家，專注於機器學習和大數據；法國國立統計與經濟管理學校的資料科學碩士學位。熱愛並積極參與Apache Spark和Scikit-Learn等開源專案；為惠普、華為、復旦大學提供百餘場技術培訓。此前的工作和研究集中於經濟和量化金融，曾參與經濟合作暨發展組織 (OECD) 的研究專案且發表論文，並擔任英國知名線上出版社Packt的技術審稿人。

內容目錄

目錄

chapter 01 資料科學概述
1.1 挑戰
1.2 機器學習
1.3 統計模型
1.4 關於本書

chapter 02 Python安裝指南與簡介：告別空談
2.1 Python簡介
2.2 Python安裝
2.3 Python上手實作
2.4 本章小結

chapter 03 數學基礎：惱人但又不可或缺的知識
3.1 矩陣和向量空間
3.2 機率：量化隨機
3.3 微積分
3.4 本章小結

chapter 04 線性迴歸：模型之母
4.1 簡單的實例
4.2 上手實作：模型實現
4.3 模型陷阱
4.4 模型持久化
4.5 本章小結

chapter 05 邏輯迴歸：隱藏因數
5.1 二元分類問題：是與否
5.2 上手實作：模型實現
5.3 評估模型效果：孰優孰劣
5.4 多元分類問題：超越是與否
5.5 非均衡資料集
5.6 本章小結

chapter 06 專案實現：電腦是怎麼算的
6.1 演算法想法：模擬捲動
6.2 數值求解：梯度下降法
6.3 上手實作：程式實現
6.4 更優化的演算法：隨機梯度下降法
6.5 本章小結

chapter 07 計量經濟學的啟示：他山之石
7.1 定量與定性：變數的數學運算合理嗎
7.2 定性變數的處理
7.3 定量變數的處理
7.4 顯著性
7.5 多重共線性：多變數的煩惱
7.6 內生性：變化來自何處
7.7 本章小結

chapter 08 監督式學習：目標明確
8.1 支援向量學習機
8.2 核心函數
8.3 決策樹
8.4 樹的整合
8.5 本章小結

chapter 09 生成式模型：量化資訊的價值
9.1 貝氏框架
9.2 單純貝氏
9.3 判別分析
9.4 隱馬克夫模型
9.5 本章小結

chapter 10 非監督式學習：分群與降維
10.1 K-means
10.2 其他分群模型
10.3 Pipeline
10.4 主成分分析
10.5 奇異值分解
10.6 本章小結

chapter 11 分散式機器學習：集體力量
11.1 Spark簡介
11.2 最佳化問題的分散式解法
11.3 大數據模型的兩個維度
11.4 開放原始碼工具的另一面
11.5 本章小結

chapter 12 神經網路：模擬人的大腦
12.1 神經元
12.2 神經網路
12.3 反向傳播演算法
12.4 加強神經網路的學習效率
12.5 本章小結

chapter 13 深度學習：繼續探索
13.1 利用神經網路識別數位
13.2 卷積神經網路
13.3 其他深度學習模型
13.4 本章小結