機器學習實戰-基於Scikit-Learn.Keras和TensorFlow (原書第3版) 9787111749714
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$1,011
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *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：202406*若逾兩年請先於私訊洽詢存貨情況，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：機器學習實戰-基於Scikit-Learn.Keras和TensorFlow (原書第3版) ISBN：9787111749714 出版社：機械工業 著編譯者：奧雷利安.傑龍 頁數：723 所在地：中國大陸 *此為代購商品 書號：1651817 可大量預訂，請先連絡。 【台灣高等教育出版社簡體書】 機器學習實戰-基於Scikit-Learn.Keras和TensorFlow (原書第3版) 787111749714 奧雷利安.傑龍 內容簡介 隨著一系列的技術突破，深度學習推動了整個機器學習領域的發展。現在，即使是對這項技術幾乎一無所知的程序員，也可以使用簡單有效的工具來實現能夠從數據中學習的程序。這本暢銷書通過具體的示例、簡單的理論和可用於生產環境的Python框架（Scikit-Learn、keras和TensorFlow）來幫助你直觀地理解並掌握構建智能系統所需要的概念和工具。 在本書中，你會學到一系列可以快速使用的技術，從簡單的線性回歸到深度神經網路。全書中大量的代碼示例和練習幫助你學以致用。你只需具備編程經驗即可入門。 通過本書，你將能夠： 使用Scikit-Learn通過端到端項目來學習機器學習基礎知識。 探索多種模型，包括支持向量機、決策樹、隨機森林和集成方法。 探索無監督學習技術，如降維、聚類和異常檢測。 深入研究神經網路架構，包括卷積網路、循環網路、生成對抗網路、自動編碼器、擴散模型和轉換器。 使用TensorFlow和Keras構建和訓練用於計算機視覺、自然語言處理、生成模型和深度強化學習的神經網路。作者簡介 奧雷利安·傑龍，Aurelien Geron是機器學習方面的顧問。他是Google的前員工，在2013年到2016年領導過YouTube視頻分類團隊。2002年至2012年，他還是Wifirst公司的創始人和首席技術官，在2001年，他是Ployconseil公司的創始人和首席技術官。目錄 前言第一部分 機器學習的基礎知識 第1章 機器學習概覽 1 1 什麼是機器學習 1 2 為什麼使用機器學習 1 3 應用示例 1 4 機器學習系統的類型 1 5 機器學習的主要挑戰 1 6 測試和驗證 1 7 練習題 第2章 端到端機器學習項目 2 1 使用真實數據 2 2 放眼大局 2 3 獲取數據 2 4 探索和可視化數據以獲得見解 2 5 為機器學習演算法準備數據 2 6 選擇和訓練模型 2 7 微調模型 2 8 啟動、監控和維護系統 2 9 試試看 2 10 練習題 第3章 分類 3 1 MNIST 3 2 訓練二元分類器 3 3 性能測量 3 4 多類分類 3 5 錯誤分析 3 6 多標籤分類 3 7 多輸出分類 3 8 練習題 第4章 訓練模型 4 1 線性回歸 4 2 梯度下降 4 3 多項式回歸 4 4 學習曲線 4 5 正則化線性模型 4 6 邏輯回歸 4 7 練習題 第5章 支持向量機 5 1 線性SVM分類 5 2 非線性SVM分類 5 3 SVM回歸 5 4 線性SVM分類器的工作原理 5 5 對偶問題 5 6 練習題 第6章 決策樹 6 1 訓練和可視化決策樹 6 2 做出預測 6 3 估計類概率 6 4 CART訓練演算法 6 5 計算複雜度 6 6 基尼雜質或熵 6 7 正則化超參數 6 8 回歸 6 9 對軸方向的敏感性 6 10 決策樹具有高方差 6 11 練習題 第7章 集成學習和隨機森林 7 1 投票分類器 7 2 bagging和pasting 7 3 隨機森林 7 4 提升法 7 5 堆疊法 7 6 練習題 第8章 降維 8 1 維度的詛咒 8 2 降維的主要方法 8 3 PCA 8 4 隨機投影 8 5 LLE 8 6 其他降維技術 8 7 練習題 第9章 無監督學習技術 9 1 聚類演算法：k均值和DBSCAN 9 2 高斯混合模型 9 3 練習題 第二部分 神經網路與深度學習 第10章 Keras人工神經網路簡介 10 1 從生物神經元到人工神經元 10 2 使用Keras實現MLP 10 3 微調神經網路超參數 10 4 練習題 第11章 訓練深度神經網路 11 1 梯度消失和梯度爆炸問題 11 2 重用預訓練層 11 3 更快的優化器 11 4 學習率調度 11 5 通過正則化避免過擬合 11 6 總結和實用指南 11 7 練習題 第12章 使用TensorFlow自定義模型和訓練 12 1 TensorFlow快速瀏覽 12 2 像使用NumPy一樣使用TensorFlow 12 3 自定義模型和訓練演算法 12 4 TensorFlow函數和圖 12 5 練習題 第13章 使用TensorFlow載入和預處理數據 13 1 tf data API 13 2 TFRecord格式 13 3 Keras預處理層 13 4 TensorFlow數據集項目 13 5 練習題 第14章 使用卷積神經網路進行深度計算機視覺 14 1 視覺皮層的結構 14 2 卷積層 14 3 池化層 14 4 使用Keras實現池化層 14 5 CNN架構 14 6 使用Keras實現ResNet-34 CNN 14 7 使用Keras的預訓練模型 14 8 使用預訓練模型進行遷移學習 14 9 分類和定位 14 10 物體檢測 14 11 物體跟蹤 14 12 語義分割 14 13 練習題 第15章 使用RNN和CNN處理序列 15 1 循環神經元和層 15 2 訓練RNN 15 3 預測時間序列 15 4 處理長序列 15 5 練習題 第16章 基於RNN和注意力機制的自然語言處理 16 1 使用字元RNN生成莎士比亞文本 16 2 情感分析 16 3 用於神經機器翻譯的編碼器-解碼器網路 16 4 注意力機制 16 5 Transformer模型的雪崩 16 6 視覺Transformer 16 7 Hugging Face的Transformer庫 16 8 練習題 第17章 自動編碼器、GAN和擴散模型 17 1 有效的數據表示 17 2 使用不完備的線性自動編碼器執行PCA 17 3 堆疊式自動編碼器 17 4 卷積自動編碼器 17 5 去噪自動編碼器 17 6 稀疏自動編碼器 17 7 變分自動編碼器 17 8 生成Fashion MNIST圖像 17 9 生成對抗網路 17 10 擴散模型 17 11 練習題 第18章 強化學習 18 1 學習優化獎勵 18 2 策略搜索 18 3 OpenAI Gym介紹 18 4 神經網路策略 18 5 評估動作：信用分配問題 18 6 策略梯度 18 7 馬爾可夫決策過程 18 8 時序差分學習 18 9 Q學習 18 10 實現深度Q學習 18 11 深度Q學習的變體 18 12 一些流行的RL演算法概述 18 13 練習題 第19章 大規模訓練和部署TensorFlow模型 19 1 為TensorFlow模型提供服務 19 2 將模型部署到移動設備或嵌入式設備 19 3 在We 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
