機器學習與人工智能實戰-基於業務場景的工程應用 9787302635239 (美)傑夫.普羅西斯(Jeff Prosis
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：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$878
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：202307*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：機器學習與人工智能實戰-基於業務場景的工程應用 ISBN：9787302635239 出版社：清華大學 著編譯者：(美)傑夫.普羅西斯(Jeff Prosise)著 周 頁數：391 所在地：中國大陸 *此為代購商品 書號：1557244 可大量預訂，請先連絡。 【台灣高等教育出版社簡體書】 機器學習與人工智能實戰-基於業務場景的工程應用 787302635239 (美)傑夫.普羅西斯(Jeff Prosise)著 周 內容簡介 全書分為兩部分共14章，介紹了如何用Scikit-Learn來構建機器學習模型以及如何用Keras和Ten-sorFlow來構建神經網路。書中的內容和實例基於作者過去幾年在全球各地開設相關課程的經歷，闡述了如何藉助于機器學習和深度學習來構建產品或服務，從而真正解決現實業務場景中的問題，比如監測熱帶雨林盜伐、文本情感分析以及預測機械設備的早期故障等。 本書適合相關工程師與軟體開發人員閱讀和參考，可以幫助他們快速入門並通過書中的操作實例迅速掌握機器學習和人工智慧。作者簡介 傑夫·普羅西斯，資深工程師，熱心於幫助工程師和軟體開發人員用好人工智慧和機器學習。作為wintellect的聯合創始人，他在微軟培訓過幾千名開發人員，在一些全球化軟體大會上發表過演講。此外，傑夫還效力于橡樹嶺國家實驗室和勞倫斯利弗莫爾國家實驗室，從事過高功率激光系統和聚變能研究。目前，傑夫在Atmosera擔任首席學習官，致力於幫助客戶在產品或服務中實際應用人工智慧。目錄 第Ⅰ部分 用Scikit-Learn進行機器學習第1章 機器學習 1 1 什麼是機器學習 1 1 1 機器學習與人工智慧 1 1 2 監督和無監督學習 1 2 使用k-means聚類演算法的無監督學習 1 2 1 將k-means聚類演算法應用於客戶數據 1 2 2 使用兩個以上的維度對客戶進行細分 1 3 監督學習 1 3 1 k近鄰 1 3 2 使用k近鄰對花卉進行分類 1 4 小結 第2章 回歸模型 2 1 線性回歸 2 2 決策樹 2 3 隨機森林 2 4 梯度提升機 2 5 支持向量機 2 6 回歸模型的精度測量 2 7 使用回歸來預測車費 2 8 小結 第3章 分類模型 3 1 邏輯回歸 3 2 分類模型的準確率度量 3 3 分類數據 3 4 二分類 3 4 1 對泰坦尼克號乘客進行分類 3 4 2 檢測信用卡欺詐 3 5 多分類 3 6 構建數字識別模型 3 7 小結 第4章 文本分類 4 1 準備用於分類的文本 4 2 情感分析 4 3 樸素貝葉斯 4 4 垃圾郵件過濾 4 5 推薦系統 4 5 1 餘弦相似性 4 5 2 構建一個電影推薦系統 4 6 小結 第5章 支持向量機 5 1 支持向量機的工作原理 5 1 1 核 5 1 2 核技巧 5 2 超參數調整 5 3 數據歸一化 5 4 管道化 5 5 使用SVM進行面部識別 5 6 小結 第6章 主成分分析 6 1 理解主成分分析 6 2 雜訊過濾 6 3 數據匿名化 6 4 可視化高維數據 6 5 異常檢測 6 5 1 使用PCA檢測信用卡欺詐 6 5 2 使用PCA來預測軸承故障 6 5 3 多變數異常檢測 6 6 小結 第7章 機器學習模型的操作化 7 1 從Python客戶端使用Python模型 7 2 pkl文件的版本管理 7 3 從C#客戶端使用Python模型 7 4 容器化機器學習模型 7 5 使用ONNX來橋接不同的語言 7 6 用ML NET在C#中構建ML模型 7 6 1 用ML NET進行情感分析 7 6 2 保存和載入ML NET模型 7 7 為Excel添加機器學習功能 7 8 小結 第Ⅱ部分 用Keras和TensorFlow進行深度學習 第8章 深度學習 8 1 了解神經網路 8 2 訓練神經網路 8 3 小結 第9章 神經網路 9 1 用Keras和TensorFlow構建神經網路 9 1 1 設定神經網路的大小 9 1 2 使用神經網路來預測車費 9 2 用神經網路進行二分類 9 2 1 進行預測 9 2 2 訓練神經網路來檢測信用卡欺詐 9 3 用神經網路進行多分類 9 4 訓練神經網路進行面部識別 9 5 Dropout 9 6 保存和載入模型 9 7 Keras回調 9 8 小結 第10章 用卷積神經網路進行圖像分類 10 1 理解CNN 10 1 1 使用Keras和TensorFlow來構建CNN 10 1 2 訓練CNN來識別北極野生動物 10 2 預訓練CNN 10 3 使用ResNet50V2對圖像分類 10 4 轉移學習 10 5 通過轉移學習來識別北極野生動物 10 6 數據增強 10 6 1 用ImageDataGenerator進行圖像增強 10 6 2 使用增強層進行圖像增強 10 6 3 將圖像增強應用於北極野生動物 10 7 全局池化 10 8 用CNN進行音頻分類 10 9 小結 第11章 面部檢測和識別 11 1 人臉檢測 11 1 1 用Viola-Jones演算法進行人臉檢測 11 1 2 使用Viola-Jones的OpenCV實現 11 1 3 用卷積神經網路檢測人臉 11 1 4 從照片中提取人臉 11 2 面部識別 11 2 1 將遷移學習應用於人臉識別 11 2 2 用任務特定的權重強化轉移學習 11 2 3 ArcFace 11 3 綜合運用：檢測和識別照片中的人臉 11 4 處理未知人臉：閉集和開集分類 11 5 小結 第12章 目標檢測 12 1 R-CNN 12 2 Mask R-CNN 12 3 YOLO 12 4 YOLOv3和Keras 12 5 自定義目標檢測 12 5 1 用自定義視覺服務訓練自定義目標檢測模型 12 5 2 使用導出的模型 12 6 小結 第13章 自然語言處理 13 1 文本準備 13 2 詞嵌入 13 3 文本分類 13 3 1 自動化文本矢量處理 13 3 2 在情感分析模型中使用Text Vectorization 13 3 3 將詞序納入預測的因素 13 3 4 循環神經網路（RNN） 13 3 5 使用預訓練模型進行文本分類 13 4 神經機器翻譯 13 4 1 LSTM編碼器-解碼器 13 4 2 Transformer編碼器-解碼器 13 4 3 構建基於Transformer的NMT模型 13 4 4 使用預訓練模型來翻譯文本 13 5 基於變換器的雙向編碼器（BERT） 13 5 1 構建基於BERT的答題系統 13 5 2 調優BERT以進行情感分 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。 |
