內容簡介
打下最紮實的AI基礎：從scikit-learn一步一腳印(絕賣版)
內容簡介
30秒極速瞭解本書精華內容
◆ 理論基礎
機器學習的應用場景、機器學習應用程式開發的典型步驟
Python機器學習開發套件：numpy、pandas和matplotlib演算法模型性能評估的指標和評估方法
◆ 八大常用機器學習演算法
k-近鄰演算法、線性回歸演算法、邏輯回歸演算法、決策樹
支持向量機、單純貝氏演算法、PCA演算法、k-平均值演算法
◆ 七大實戰演練案例
糖尿病檢測、預測房價、乳腺癌檢測、鐵達尼號倖存者預測
文件類別預測、人臉識別、文件自動分類
◆ 本書適用讀者
想從事機器學習、人工智慧、深度學習及機器人相關技術的程式師和愛好者閱讀，相關院校和培訓機構也可以作為教材使用
本書特色
通俗易懂/圖示引導/豐富實例
高效入門機器學習最佳速成
內容簡介
30秒極速瞭解本書精華內容
◆ 理論基礎
機器學習的應用場景、機器學習應用程式開發的典型步驟
Python機器學習開發套件：numpy、pandas和matplotlib演算法模型性能評估的指標和評估方法
◆ 八大常用機器學習演算法
k-近鄰演算法、線性回歸演算法、邏輯回歸演算法、決策樹
支持向量機、單純貝氏演算法、PCA演算法、k-平均值演算法
◆ 七大實戰演練案例
糖尿病檢測、預測房價、乳腺癌檢測、鐵達尼號倖存者預測
文件類別預測、人臉識別、文件自動分類
◆ 本書適用讀者
想從事機器學習、人工智慧、深度學習及機器人相關技術的程式師和愛好者閱讀，相關院校和培訓機構也可以作為教材使用
本書特色
通俗易懂/圖示引導/豐富實例
高效入門機器學習最佳速成
作者簡介
作者簡介
黃永昌
畢業於廈門大學自動化系。畢業後從事手機系統軟體的研發，2009年轉向Android系統軟體發展，熟悉C、Python、Java和JavaScript多種開發語言。2014年開始研究機器學習及資料採擷領域的相關知識。2015年加入ABB集團，從事智慧家居系統的開發，透過分析伺服器及用戶端日誌資料，為智慧家居系統開發智慧決策模型。
黃永昌
畢業於廈門大學自動化系。畢業後從事手機系統軟體的研發，2009年轉向Android系統軟體發展，熟悉C、Python、Java和JavaScript多種開發語言。2014年開始研究機器學習及資料採擷領域的相關知識。2015年加入ABB集團，從事智慧家居系統的開發，透過分析伺服器及用戶端日誌資料，為智慧家居系統開發智慧決策模型。
內容目錄
目錄
Chapter 01 機器學習介紹
1.1 什麼是機器學習
1.2 機器學習有什麼用
1.3 機器學習的分類
1.4 機器學習應用程式開發的典型步驟
1.5 複習題
Chapter 02 Python機器學習軟體套件
2.1 開發環境架設
2.2 IPython簡介
2.3 Numpy簡介
2.4 Pandas簡介
2.5 Matplotlib簡介
2.6 scikit-learn簡介
2.7 複習題
2.8 擴充學習資源
Chapter 03 機器學習理論基礎
3.1 過擬合和欠擬合
3.2 成本函數
3.3 模型準確性
3.4 學習曲線
3.5 演算法模型效能最佳化
3.6 查準率和召回率
3.7 F1 Score
3.8 複習題
Chapter 04 k-近鄰演算法
4.1 演算法原理
4.2 範例：使用k-近鄰演算法進行分類
4.3 範例：使用k-近鄰演算法進行回歸擬合
4.4 實例：糖尿病預測
4.5 擴充閱讀
4.6 複習題
Chapter 05 線性回歸演算法
5.1 演算法原理
5.2 多變數線性回歸演算法
5.3 模型最佳化
5.4 範例：使用線性回歸演算法擬合正弦函數
5.5 範例：測算房價
5.6 擴充閱讀
5.7 複習題
Chapter 06 邏輯回歸演算法
6.1 演算法原理
6.2 多元分類
6.3 正規化
6.4 演算法參數
6.5 實例：乳腺癌檢測
6.6 擴充閱讀
6.7 複習題
Chapter 07 決策樹
7.1 演算法原理
7.2 演算法參數
7.3 實例：預測鐵達尼號倖存者
7.4 擴充閱讀
7.5 集合演算法
7.6 複習題
Chapter 08 支援向量機
8.1 演算法原理
8.2 核心函數
8.3 scikit-learn裡的SVM
8.4 實例：乳腺癌檢測
8.5 複習題
Chapter 09 單純貝氏演算法
9.1 演算法原理
9.2 一個簡單的實例
9.3 機率分佈
9.4 連續值的處理
9.5 實例：文件分類
9.6 複習題
Chapter 10 PCA演算法
10.1 演算法原理
10.2 PCA演算法範例
10.3 PCA的資料還原率及應用
10.4 實例：人臉識別
10.5 擴充閱讀
10.6 複習題
Chapter 11 k-平均值演算法
11.1 演算法原理
11.2 scikit-learn裡的k-平均值演算法
11.3 使用k-平均值對文件進行分群分析
11.4 分群演算法效能評估
11.5 複習題
Appendix A 後記
A.1 回顧與展望
Chapter 01 機器學習介紹
1.1 什麼是機器學習
1.2 機器學習有什麼用
1.3 機器學習的分類
1.4 機器學習應用程式開發的典型步驟
1.5 複習題
Chapter 02 Python機器學習軟體套件
2.1 開發環境架設
2.2 IPython簡介
2.3 Numpy簡介
2.4 Pandas簡介
2.5 Matplotlib簡介
2.6 scikit-learn簡介
2.7 複習題
2.8 擴充學習資源
Chapter 03 機器學習理論基礎
3.1 過擬合和欠擬合
3.2 成本函數
3.3 模型準確性
3.4 學習曲線
3.5 演算法模型效能最佳化
3.6 查準率和召回率
3.7 F1 Score
3.8 複習題
Chapter 04 k-近鄰演算法
4.1 演算法原理
4.2 範例：使用k-近鄰演算法進行分類
4.3 範例：使用k-近鄰演算法進行回歸擬合
4.4 實例：糖尿病預測
4.5 擴充閱讀
4.6 複習題
Chapter 05 線性回歸演算法
5.1 演算法原理
5.2 多變數線性回歸演算法
5.3 模型最佳化
5.4 範例：使用線性回歸演算法擬合正弦函數
5.5 範例：測算房價
5.6 擴充閱讀
5.7 複習題
Chapter 06 邏輯回歸演算法
6.1 演算法原理
6.2 多元分類
6.3 正規化
6.4 演算法參數
6.5 實例：乳腺癌檢測
6.6 擴充閱讀
6.7 複習題
Chapter 07 決策樹
7.1 演算法原理
7.2 演算法參數
7.3 實例：預測鐵達尼號倖存者
7.4 擴充閱讀
7.5 集合演算法
7.6 複習題
Chapter 08 支援向量機
8.1 演算法原理
8.2 核心函數
8.3 scikit-learn裡的SVM
8.4 實例：乳腺癌檢測
8.5 複習題
Chapter 09 單純貝氏演算法
9.1 演算法原理
9.2 一個簡單的實例
9.3 機率分佈
9.4 連續值的處理
9.5 實例：文件分類
9.6 複習題
Chapter 10 PCA演算法
10.1 演算法原理
10.2 PCA演算法範例
10.3 PCA的資料還原率及應用
10.4 實例：人臉識別
10.5 擴充閱讀
10.6 複習題
Chapter 11 k-平均值演算法
11.1 演算法原理
11.2 scikit-learn裡的k-平均值演算法
11.3 使用k-平均值對文件進行分群分析
11.4 分群演算法效能評估
11.5 複習題
Appendix A 後記
A.1 回顧與展望
ISBN: 9789863797982