內容簡介
Python機器學習第三版（上）
內容簡介
Python機器學習第三版（上）
Python Machine Learning - Third Edition
第三版－最新修訂版，新增TensorFlow 2、GAN和強化學習等實用內容
使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習
循序漸進、由淺入深，好評熱銷再進化！最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南，也是讀者在建立機器學習系統時的必備參考。有別於其他機器學習教科書，本書使用Python探求機器學習和深度學習的技術精髓，強調豐富實用的程式範例、條理分明的數學解釋，以及直覺友善的圖解說明，帶領讀者探索機器學習的眾多子領域，讓艱澀的概念栩栩如生。
許多讀者告訴我們，他們非常喜歡本書第二版的前12章，因為它們全面介紹了機器學習與Python的科學計算。為了確保這些內容的相關性，我們依據讀者回饋，回顧並修改了這些章節，以支援最新版本的NumPy、SciPy、pandas、matplotlib和scikit-learn，並規劃成本書的上冊。而TensorFlow 2.0更是深度學習領域最振奮人心的事件之一，所有與TensorFlow有關的章節（第13章到第16章，規劃成本書的下冊）都進行了大幅度修改。除了介紹Keras API與scikit-learn的最新功能之外，本書也探討自然語言處理（NLP）的子領域「情緒分析」，以及強化學習（RL）和生成對抗網路（GAN）等時下最流行的AI技術（第17章和第18章）。
無論你是有經驗的程式設計師，或是機器學習新手，或你只想進一步深入了解機器學習的最新發展，本書將是你在機器學習之旅中的絕佳良伴。
在這本書中，你將學到：
•掌握能讓機器從數據中「學習」的框架、模型和技術
•使用scikit-learn進行機器學習、使用TensorFlow進行深度學習
•利用機器學習來做影像分類、情緒分析與智慧Web應用程式
•訓練類神經網路、GAN與其它模型
•結合機器學習模型與Web應用程式
•為機器學習工作清理並準備數據
•用深度卷積類神經網路來分類影像
•了解評估和調校模型的最佳實作
•使用迴歸分析來預測連續目標
•利用「集群」來發掘數據中隱藏的模式與結構
•使用「情緒分析」深入研究文本和社群媒體數據
•上冊包含本書前12章，下冊則包含第13章到第18章。
【下載範例程式檔案】
本書的程式碼是由GitHub託管，可點選下面圖案前往下載：
https://github.com/rasbt/python-machine-learning-book-3rd-edition
【下載本書的彩色圖片】
我們還提供您一個PDF檔案，其中包含本書使用的彩色圖表，可以在此下載：
https://static.packt-cdn.com/downloads/9781789955750_ColorImages.pdf
內容簡介
Python機器學習第三版（上）
Python Machine Learning - Third Edition
第三版－最新修訂版，新增TensorFlow 2、GAN和強化學習等實用內容
使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習
循序漸進、由淺入深，好評熱銷再進化！最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南，也是讀者在建立機器學習系統時的必備參考。有別於其他機器學習教科書，本書使用Python探求機器學習和深度學習的技術精髓，強調豐富實用的程式範例、條理分明的數學解釋，以及直覺友善的圖解說明，帶領讀者探索機器學習的眾多子領域，讓艱澀的概念栩栩如生。
許多讀者告訴我們，他們非常喜歡本書第二版的前12章，因為它們全面介紹了機器學習與Python的科學計算。為了確保這些內容的相關性，我們依據讀者回饋，回顧並修改了這些章節，以支援最新版本的NumPy、SciPy、pandas、matplotlib和scikit-learn，並規劃成本書的上冊。而TensorFlow 2.0更是深度學習領域最振奮人心的事件之一，所有與TensorFlow有關的章節（第13章到第16章，規劃成本書的下冊）都進行了大幅度修改。除了介紹Keras API與scikit-learn的最新功能之外，本書也探討自然語言處理（NLP）的子領域「情緒分析」，以及強化學習（RL）和生成對抗網路（GAN）等時下最流行的AI技術（第17章和第18章）。
無論你是有經驗的程式設計師，或是機器學習新手，或你只想進一步深入了解機器學習的最新發展，本書將是你在機器學習之旅中的絕佳良伴。
在這本書中，你將學到：
•掌握能讓機器從數據中「學習」的框架、模型和技術
•使用scikit-learn進行機器學習、使用TensorFlow進行深度學習
•利用機器學習來做影像分類、情緒分析與智慧Web應用程式
•訓練類神經網路、GAN與其它模型
•結合機器學習模型與Web應用程式
•為機器學習工作清理並準備數據
•用深度卷積類神經網路來分類影像
•了解評估和調校模型的最佳實作
•使用迴歸分析來預測連續目標
•利用「集群」來發掘數據中隱藏的模式與結構
•使用「情緒分析」深入研究文本和社群媒體數據
•上冊包含本書前12章，下冊則包含第13章到第18章。
【下載範例程式檔案】
本書的程式碼是由GitHub託管，可點選下面圖案前往下載：
https://github.com/rasbt/python-machine-learning-book-3rd-edition
【下載本書的彩色圖片】
我們還提供您一個PDF檔案，其中包含本書使用的彩色圖表，可以在此下載：
https://static.packt-cdn.com/downloads/9781789955750_ColorImages.pdf
作者簡介
作者簡介
Sebastian Raschka
擁有密西根州立大學（Michigan State University）的博士學位，在那裡，他專攻開發將「計算生物學」（computational biology）與「機器學習」結合使用的方法。2018年的夏天，他加入威斯康辛大學麥迪遜分校（University of Wisconsin-Madison），擔任「統計學」的助理教授。他的研究活動包括開發「新的深度學習架構」來解決生物識別（biometrics）領域的問題。
他引以為傲的成就之一是他的著作《Python機器學習》，這也是Packt和Amazon上的暢銷書。本書在2016年榮獲ACM的最佳計算類別獎項（Best of Computing award），並被翻譯成多種不同語言，包括德文、韓文、中文、日文、俄文、波蘭文和義大利文。
Vahid Mirjalili
密西根州立大學的機械工程博士，專攻大規模「分子結構」計算模擬的新方法研究。他曾是密西根州立大學「iPRoBe實驗室」的一員，致力於各種機器學習在「電腦視覺」與「生物識別」中的應用專案。在「iPRoBe實驗室」與「學術界」耕耘了多年之後，他最近加入3M公司，成為一位研究科學家，利用他的「專業知識」以及應用機器學習與深度學習的「先進技術」，在各種應用程式中解決真實世界的問題，讓生活變得更好。
Sebastian Raschka
擁有密西根州立大學（Michigan State University）的博士學位，在那裡，他專攻開發將「計算生物學」（computational biology）與「機器學習」結合使用的方法。2018年的夏天，他加入威斯康辛大學麥迪遜分校（University of Wisconsin-Madison），擔任「統計學」的助理教授。他的研究活動包括開發「新的深度學習架構」來解決生物識別（biometrics）領域的問題。
他引以為傲的成就之一是他的著作《Python機器學習》，這也是Packt和Amazon上的暢銷書。本書在2016年榮獲ACM的最佳計算類別獎項（Best of Computing award），並被翻譯成多種不同語言，包括德文、韓文、中文、日文、俄文、波蘭文和義大利文。
Vahid Mirjalili
密西根州立大學的機械工程博士，專攻大規模「分子結構」計算模擬的新方法研究。他曾是密西根州立大學「iPRoBe實驗室」的一員，致力於各種機器學習在「電腦視覺」與「生物識別」中的應用專案。在「iPRoBe實驗室」與「學術界」耕耘了多年之後，他最近加入3M公司，成為一位研究科學家，利用他的「專業知識」以及應用機器學習與深度學習的「先進技術」，在各種應用程式中解決真實世界的問題，讓生活變得更好。
內容目錄
目錄
前言
第1章：賦予電腦從數據中學習的能力
製作智慧機器，將數據轉成知識
三種不同類型的機器學習
基本術語和符號
建構機器學習系統的準則
使用Python 來做機器學習
小結
第2章：訓練簡單的機器學習分類演算法
類神經元－早期機器學習的驚鴻一撇
以Python 實作感知器學習演算法
適應線性神經元和學習的收斂
小結
第3章：使用scikit-learn巡覽機器學習分類器
選擇一個分類演算法
首次使用scikit-learn－訓練感知器
以邏輯斯迴歸對類別機率塑模
以支援向量機處理最大化分類邊界
使用核心支援向量機解決非線性問題
決策樹學習
k最近鄰－惰式學習演算法
小結
第4章：建置良好的訓練數據集－數據預處理
處理數據遺漏
處理分類數據
將數據集區分為訓練用與測試用
縮放特徵令其具相同比例
選取有意義的特徵
以隨機森林評估特徵的重要性
小結
第5章：透過降維來壓縮數據
以主成分分析對非監督式數據壓縮
利用線性判別分析做監督式數據壓縮
利用核主成分分析處理非線性對應
小結
第6章：學習模型評估和超參數調校的最佳實作
以管線來簡化工作流程
使用k折交叉驗證法來評估模型效能
使用學習曲線和驗證曲線來對演算法除錯
以網格搜尋微調機器學習模型
其他不同的效能指標
處理類別不平衡的狀況
小結
第7章：結合不同模型來做整體學習
從整體中學習
以多數決結合分類器
裝袋法－以自助樣本建立整體分類器
利用適應強化來提升弱學習器效能
小結
第8章：將機器學習應用於情緒分析
準備IMDb影評數據以便進行文字處理
詞袋模型簡介
訓練一個邏輯斯迴歸模型來做文件分類
處理更大的數據－線上演算法與核外學習
小結
第9章：在Web應用程式上嵌入機器學習模型
序列化適合完成的scikit-learn估計器
設定SQLite資料庫來儲存數據
使用Flask來開發Web應用程式
將影評分類器整合到Web應用程式中
將Web應用程式部署到公共伺服器
小結
第10章：以迴歸分析預測連續目標變數
線性迴歸簡介
探索房屋數據集
使用RANSAC找出強固的迴歸模型
評估線性迴歸模型的效能
使用正規化方法做迴歸
將線性迴歸模型轉成曲線－多項式迴歸
使用隨機森林處理非線性關係
小結
第11章：處理未標記的數據－集群分析
使用k-means來集群相似物件
以階層樹的方式組織集群
使用DBSCAN來定位高密度區域
小結
第12章：從零開始實作多層類神經網路
以類神經網路來對複雜函數塑模
分類手寫數字
訓練一個類神經網路
關於類神經網路的收斂
實作類神經網路的幾句提醒
小結
前言
第1章：賦予電腦從數據中學習的能力
製作智慧機器，將數據轉成知識
三種不同類型的機器學習
基本術語和符號
建構機器學習系統的準則
使用Python 來做機器學習
小結
第2章：訓練簡單的機器學習分類演算法
類神經元－早期機器學習的驚鴻一撇
以Python 實作感知器學習演算法
適應線性神經元和學習的收斂
小結
第3章：使用scikit-learn巡覽機器學習分類器
選擇一個分類演算法
首次使用scikit-learn－訓練感知器
以邏輯斯迴歸對類別機率塑模
以支援向量機處理最大化分類邊界
使用核心支援向量機解決非線性問題
決策樹學習
k最近鄰－惰式學習演算法
小結
第4章：建置良好的訓練數據集－數據預處理
處理數據遺漏
處理分類數據
將數據集區分為訓練用與測試用
縮放特徵令其具相同比例
選取有意義的特徵
以隨機森林評估特徵的重要性
小結
第5章：透過降維來壓縮數據
以主成分分析對非監督式數據壓縮
利用線性判別分析做監督式數據壓縮
利用核主成分分析處理非線性對應
小結
第6章：學習模型評估和超參數調校的最佳實作
以管線來簡化工作流程
使用k折交叉驗證法來評估模型效能
使用學習曲線和驗證曲線來對演算法除錯
以網格搜尋微調機器學習模型
其他不同的效能指標
處理類別不平衡的狀況
小結
第7章：結合不同模型來做整體學習
從整體中學習
以多數決結合分類器
裝袋法－以自助樣本建立整體分類器
利用適應強化來提升弱學習器效能
小結
第8章：將機器學習應用於情緒分析
準備IMDb影評數據以便進行文字處理
詞袋模型簡介
訓練一個邏輯斯迴歸模型來做文件分類
處理更大的數據－線上演算法與核外學習
小結
第9章：在Web應用程式上嵌入機器學習模型
序列化適合完成的scikit-learn估計器
設定SQLite資料庫來儲存數據
使用Flask來開發Web應用程式
將影評分類器整合到Web應用程式中
將Web應用程式部署到公共伺服器
小結
第10章：以迴歸分析預測連續目標變數
線性迴歸簡介
探索房屋數據集
使用RANSAC找出強固的迴歸模型
評估線性迴歸模型的效能
使用正規化方法做迴歸
將線性迴歸模型轉成曲線－多項式迴歸
使用隨機森林處理非線性關係
小結
第11章：處理未標記的數據－集群分析
使用k-means來集群相似物件
以階層樹的方式組織集群
使用DBSCAN來定位高密度區域
小結
第12章：從零開始實作多層類神經網路
以類神經網路來對複雜函數塑模
分類手寫數字
訓練一個類神經網路
關於類神經網路的收斂
實作類神經網路的幾句提醒
小結
ISBN: 9789864345182