內容簡介
站穩AI大師的第一步：最直覺機器學習
內容簡介
◎一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
◎ 線性、非線性、整合模型說明
◎ 線性回歸怎麼來的，邏輯回歸怎麼走的，正規化
◎ 支援向量機精華，決策樹以及單純貝氏定理
◎ 神經網路及正反向傳播的推導
◎ 整合學習的來龍去脈，隨機森林和提升樹
◎ xgboost極度梯度提升
學習並精通任何一門學科無外乎要經過四個步驟：它是什麼？它可行嗎？怎麼學它？如何學好它？機器學習也不例外，本書就以這四個步驟來介紹機器學習。
每一章都以通俗的引言開始，吸引讀者；以精美的思維導圖過渡，讓說明想法更清晰；以簡要的歸納結束，讓讀者加強所學的知識。理論和實作相結合，既有嚴謹的數學推導，又有多樣（Python 和MATLAB）的程式展示，圖文並茂。
前3 章屬於機器學習的概述。作者在這3 章花費的時間最多，絕對讓讀者有所收穫。
第4～14 章介紹「如何學好機器學習」，重點介紹機器學習的各種演算法和調參技巧。
第1章「機器學習是什麼」，從定義開始，詳細介紹機器學習有關的知識、資料和效能度量。
第2章「機器學習可行嗎」，介紹機器具備學習樣本以外的資料的能力。
第3章「機器學習怎麼學」，介紹機器如何選擇出最佳模型。
第4～8章 介紹線性模型，包含線性回歸模型、對率回歸模型、正規化回歸模型、支援向量機模型。
第9～11章 介紹非線性模型，包含單純貝氏模型、決策樹模型、類神經網路模型、正向/反向傳播模型。
第12～14章 介紹整合模型，包含隨機森林模型、提升樹模型、極度梯度提升模型。
第15章 介紹機器學習中的一些非常實用的經驗，包括學習策略、目標設定、誤差分析、偏差和方差分析。
適合讀者群：
機器學習初學者、對機器學習感興趣者，或大專院校相關科系學生。
內容簡介
◎一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
◎ 線性、非線性、整合模型說明
◎ 線性回歸怎麼來的，邏輯回歸怎麼走的，正規化
◎ 支援向量機精華，決策樹以及單純貝氏定理
◎ 神經網路及正反向傳播的推導
◎ 整合學習的來龍去脈，隨機森林和提升樹
◎ xgboost極度梯度提升
學習並精通任何一門學科無外乎要經過四個步驟：它是什麼？它可行嗎？怎麼學它？如何學好它？機器學習也不例外，本書就以這四個步驟來介紹機器學習。
每一章都以通俗的引言開始，吸引讀者；以精美的思維導圖過渡，讓說明想法更清晰；以簡要的歸納結束，讓讀者加強所學的知識。理論和實作相結合，既有嚴謹的數學推導，又有多樣（Python 和MATLAB）的程式展示，圖文並茂。
前3 章屬於機器學習的概述。作者在這3 章花費的時間最多，絕對讓讀者有所收穫。
第4～14 章介紹「如何學好機器學習」，重點介紹機器學習的各種演算法和調參技巧。
第1章「機器學習是什麼」，從定義開始，詳細介紹機器學習有關的知識、資料和效能度量。
第2章「機器學習可行嗎」，介紹機器具備學習樣本以外的資料的能力。
第3章「機器學習怎麼學」，介紹機器如何選擇出最佳模型。
第4～8章 介紹線性模型，包含線性回歸模型、對率回歸模型、正規化回歸模型、支援向量機模型。
第9～11章 介紹非線性模型，包含單純貝氏模型、決策樹模型、類神經網路模型、正向/反向傳播模型。
第12～14章 介紹整合模型，包含隨機森林模型、提升樹模型、極度梯度提升模型。
第15章 介紹機器學習中的一些非常實用的經驗，包括學習策略、目標設定、誤差分析、偏差和方差分析。
適合讀者群：
機器學習初學者、對機器學習感興趣者，或大專院校相關科系學生。
作者簡介
作者簡介
王聖元
金融風險管理師；特許另類投資分析師。
學習及工作經歷：現任新加坡某金融諮詢公司總監。擁有新加坡國立大學
量化金融學士學位和金融數學碩士學位。
自我學習過程：獲得金融風險管理師 (FRM) 和特許另類投資分析師 (CAIA)認證，及 Coursera 頒發的機器學習、深度學習和TensorFlow實戰的認證。
平時堅持寫作，是公眾號「王的機器」的主理人，分享了關於金融工程、機器學習和量化投資的文章。
信念：“Yearning for Learning, Leading by Reading, Distilling by Writing.」（多學多讀多寫，終身渴望學習，通過讀書保持領先，通過寫作用心灌輸。）
王聖元
金融風險管理師；特許另類投資分析師。
學習及工作經歷：現任新加坡某金融諮詢公司總監。擁有新加坡國立大學
量化金融學士學位和金融數學碩士學位。
自我學習過程：獲得金融風險管理師 (FRM) 和特許另類投資分析師 (CAIA)認證，及 Coursera 頒發的機器學習、深度學習和TensorFlow實戰的認證。
平時堅持寫作，是公眾號「王的機器」的主理人，分享了關於金融工程、機器學習和量化投資的文章。
信念：“Yearning for Learning, Leading by Reading, Distilling by Writing.」（多學多讀多寫，終身渴望學習，通過讀書保持領先，通過寫作用心灌輸。）
內容目錄
目錄
前言
01 機器學習是什麼--機器學習定義
1.1 資料
1.2 機器學習類別
1.3 效能度量
1.4 歸納
參考資料
02 機器學習可行嗎--計算學習理論
2.1 基礎知識
2.2 核心推導
2.3 結論應用
2.4 歸納
參考資料
技術附錄
03 機器學習怎麼學--模型評估選擇
3.1 模型評估
3.2 訓練誤差和測試誤差
3.3 驗證誤差和交換驗證誤差
3.4 誤差剖析
3.5 模型選擇
3.6 歸納
參考資料
技術附錄
04 線性回歸
4.1 基礎知識
4.2 模型介紹
4.3 歸納
參考資料
05 邏輯回歸
5.1 基礎內容
5.2 模型介紹
5.3 歸納
參考資料
06 正規化回歸
6.1 基礎知識
6.2 模型介紹
6.3 歸納
參考資料
07 支援向量機
7.1 基礎知識
7.2 模型介紹
7.3 歸納
參考資料
技術附錄
08 單純貝氏
8.1 基礎知識
8.2 模型介紹
8.3 歸納
參考資料
技術附錄
09 決策樹
9.1 基礎知識
9.2 模型介紹
9.3 歸納
參考資料
10 類神經網路
10.1 基礎
10.2 模型應用
11 正向/反向傳播
11.1 基礎知識
11.2 演算法介紹
11.3 歸納
參考資料
技術附錄
12 整合學習
12.1 結合假設
12.2 裝袋法
12.3 提升法
12.4 整合方式
12.5 歸納
參考資料
13 隨機森林和提升樹
13.1 基礎知識
13.2 模型介紹
13.3 歸納
參考資料
14 極度梯度提升
14.1 基礎知識
14.2 模型介紹
14.3 歸納
參考資料
15 本書歸納
15.1 正交策略
15.2 單值評估指標
15.3 偏差和方差
A 結語
前言
01 機器學習是什麼--機器學習定義
1.1 資料
1.2 機器學習類別
1.3 效能度量
1.4 歸納
參考資料
02 機器學習可行嗎--計算學習理論
2.1 基礎知識
2.2 核心推導
2.3 結論應用
2.4 歸納
參考資料
技術附錄
03 機器學習怎麼學--模型評估選擇
3.1 模型評估
3.2 訓練誤差和測試誤差
3.3 驗證誤差和交換驗證誤差
3.4 誤差剖析
3.5 模型選擇
3.6 歸納
參考資料
技術附錄
04 線性回歸
4.1 基礎知識
4.2 模型介紹
4.3 歸納
參考資料
05 邏輯回歸
5.1 基礎內容
5.2 模型介紹
5.3 歸納
參考資料
06 正規化回歸
6.1 基礎知識
6.2 模型介紹
6.3 歸納
參考資料
07 支援向量機
7.1 基礎知識
7.2 模型介紹
7.3 歸納
參考資料
技術附錄
08 單純貝氏
8.1 基礎知識
8.2 模型介紹
8.3 歸納
參考資料
技術附錄
09 決策樹
9.1 基礎知識
9.2 模型介紹
9.3 歸納
參考資料
10 類神經網路
10.1 基礎
10.2 模型應用
11 正向/反向傳播
11.1 基礎知識
11.2 演算法介紹
11.3 歸納
參考資料
技術附錄
12 整合學習
12.1 結合假設
12.2 裝袋法
12.3 提升法
12.4 整合方式
12.5 歸納
參考資料
13 隨機森林和提升樹
13.1 基礎知識
13.2 模型介紹
13.3 歸納
參考資料
14 極度梯度提升
14.1 基礎知識
14.2 模型介紹
14.3 歸納
參考資料
15 本書歸納
15.1 正交策略
15.2 單值評估指標
15.3 偏差和方差
A 結語
ISBN: 9789865501327