Python機器學習項目實戰 (德)阿列克謝.格里 戈里 耶夫 9787302622796 【台灣高等教育出版社】

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202303*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：Python機器學習項目實戰
ISBN：9787302622796
出版社：清華大學
著編譯者：(德)阿列克謝.格里 戈里 耶夫
頁數：367
所在地：中國大陸 *此為代購商品
書號：1505815
可大量預訂，請先連絡。

內容簡介

《Python機器學習項目實戰》引領大家在構建實際項目的過程中，掌握關鍵的機器學習概念！使用機器學習，我們可完成客戶行為分析、價格趨勢預測、風險評估等任務。要想掌握機器學習，需要有優質的範例、清晰的講解和大量的練習。本書完全滿足這三點！ 本書展示了現實、實用的機器學習場景，並全面、清晰地介紹了機器學習的關鍵概念。在學習本書的過程中，讀者將會完成一些引人入勝的項目，比如使用線性回歸預測汽車價格，部署客戶流失預測服務等。讀者將超越演算法，學習在無伺服器系統上部署機器學習應用，以及使用Kubernetes和Kubeflow服務模型等重要技術。大家埋頭苦學，親自動手，享受掌握機器學習技能的樂趣！

作者簡介

阿列克謝·格里戈里耶夫，OLX集團的首席數據科學家。他運營著一個數據愛好者社區（DataTalks）。

目錄

第1章 機器學習簡介
1 1 機器學習
1 1 1 機器學習與基於規則的方法
1 1 2 當機器學習不起作用時
1 1 3 監督機器學習
1 2 機器學習過程
1 2 1 問題理解
1 2 2 數據理解
1 2 3 數據準備
1 2 4 建模
1 2 5 評估
1 2 6 部署
1 2 7 迭代
1 3 建模和模型驗證
1 4 本章小結
第2章 用於回歸的機器學習
2 1 汽車價格預測項目
2 2 探索性數據分析
2 2 1 探索性數據分析工具箱
2 2 2 讀取和準備數據
2 2 3 目標變數分析
2 2 4 檢查缺失值
2 2 5 驗證框架
2 3 機器學習之回歸
2 3 1 線性回歸
2 3 2 訓練線性回歸模型
2 4 預測價格
2 4 1 基本解決方案
2 4 2 RMSE：評估模型質量
2 4 3 驗證模型
2 4 4 簡單的特徵工程
2 4 5 處理分類變數
2 4 6 正則化
2 4 7 使用模型
2 5 後續步驟
2 5 1 練習
2 5 2 其他項目
2 6 本章小結
2 7 習題答案
第3章 用於分類的機器學習
3 1 客戶流失預測項目
3 1 1 電信客戶流失數據集
3 1 2 初始數據準備
3 1 3 探索性數據分析
3 1 4 特徵重要性
3 2 特徵工程
3 3 機器學習之分類
3 3 1 邏輯回歸
3 3 2 訓練邏輯回歸
3 3 3 模型解釋
3 3 4 使用模型
3 4 後續步驟
3 4 1 練習
3 4 2 其他項目
3 5 本章小結
3 6 習題答案
第4章 分類的評估指標
4 1 評估指標
4 1 1 分類準確度
4 1 2 虛擬基線
4 2 混淆矩陣
4 2 1 混淆矩陣介紹
4 2 2 用NumPy計算混淆矩陣
4 2 3 查准率和查全率
4 3 ROC曲線和AUC分數
4 3 1 真正例率和假正例率
4 3 2 在多個閥值下評估模型
4 3 3 隨機基線模型
4 3 4 理想模型
4 3 5 ROC曲線
4 3 6 AUC
4 4 參數調優
4 4 1 K折交叉驗證
4 4 2 尋找最佳參數
4 5 後續步驟
4 5 1 練習
4 5 2 其他項目
4 6 本章小結
4 7 習題答案
第5章 部署機器學習模型
5 1 客戶流失預測模型
5 1 1 使用模型
5 1 2 使用Pickle保存和載入模型
5 2 模型服務化
5 2 1 Web服務
5 2 2 Flask
5 2 3 使用Flask將流失模型服務化
5 3 管理依賴項
5 3 1 Pipenv
5 3 2 Docker
5 4 部署
5 5 後續步驟
5 5 1 練習
5 5 2 其他項目
5 6 本章小結
第6章 決策樹與集成學習
6 1 信用風險評分項目
6 1 1 信用評分數據集
6 1 2 數據清理
6 1 3 準備數據集
6 2 決策樹
6 2 1 決策樹分類器
6 2 2 決策樹學習演算法
6 23 決策樹的參數調優
6 3 隨機森林
6 3 1 訓練隨機森林
6 3 2 隨機森林的參數調優
6 4 梯度提升
6 4 1 XGBoost：極限梯度提升
6 4 2 模型性能監控
6 4 3 XGBoost的參數調優
6 4 4 測試最終模型
6 5 後續步驟
6 5 1 練習
6 5 2 其他項目
6 6 本章小結
6 7 習題答案
第7章 神經網絡與深度學習
7 1 服裝分類
7 1 1 GPU與CPU
7 1 2 下載服裝數據集
7 1 3 TensorFlow和Keras
7 1 4 載入圖像
7 2 卷積神經網絡
7 2 1 使用預訓練模型
7 2 2 獲得預測
7 3 模型的內部結構
7 3 1 卷積層
7 3 2 緻密層
7 4 訓練模型
7 4 1 遷移學習
7 4 2 載入數據
7 4 3 創建模型
7 4 4 訓練模型
7 4 5 調整學習速率
7 4 6 保存模型和設置檢查點
7 4 7 添加更多的層
7 4 8 正則化和dropout
7 4 9 數據增強
7 4 10 訓練更大的模型
7 5 使用模型
7 5 1 載入模型
7 5 2 評估模型
7 5 3 獲得預測
7 6 後續步驟
7 6 1 練習
7 6 2 其他項目
7 7 本章小結
7 8 習題答案
第8章 無伺服器深度學習
8 1 AWS Lambda
8 1 1 TensorFlow Lite
8 1 2 將模型轉換為TF Lite格式
8 1 3 準備圖像
8 1 4 使用TensorFlow Lite模型
8 1 5 lambda函數的代碼
8 1 6 準備Docker鏡像
8 1 7 將鏡像推送到AWS ECR
8 1 8 創建lambda函數
8 1 9 創建API Gateway
8 2 後續步驟
8 2 1 練習
8 2 2 其他項目
8 3 本章小結
第9章 使用Kubernetes和Kubeflow將模型服務化
9 1 Kubernetes和Kubeflow
9 2 使用TensorFlow Serving來服務模型
9 2 1 服務架構概述
9 2 2 saved model格式
9 2 3 本地運行TensorFlow Serving
9 2 4 從Jupyter調用TF Serving模型
9 2 5 創建Gateway服務
9 3 使用Kubemnetes部署
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。