機器學習-全彩圖解+微課+Python編程 姜偉生 9787302666769 【台灣高等教育出版社】
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$1,514
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：202408*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-全彩圖解+微課+Python編程 ISBN：9787302666769 出版社：清華大學 著編譯者：姜偉生 叢書名：鳶尾花數學大系 頁數：534 所在地：中國大陸 *此為代購商品 書號：1662546 可大量預訂，請先連絡。 內容簡介 本書是「鳶尾花數學大系：從加減乘除到機器學習」叢書的最後一冊，前六本解決了編程、可視化、數學、數據方面的諸多問題，而本書將開啟機器學習經典演算法的學習之旅。 本書設置了24個話題，對應四大類機器學習經典演算法（回歸、分類、降維、聚類），覆蓋演算法包括：回歸分析、多元線性回歸、非線性回歸、正則化回歸、貝葉斯回歸、高斯過程、k最近鄰分類、樸素貝葉斯分類、高斯判別分析、支持向量機、核技巧、決策樹、主成分分析、截斷奇異值分解、主成分分析進階、主成分分析與回歸、核主成分分析、典型相關分析、k均值聚類、高斯混合模型、最大期望演算法、層次聚類、密度聚類、譜聚類。 本書選取演算法模型的目標是覆蓋Scikit-Learn庫的常用機器學習演算法函數，讓讀者充分理解演算法理論，又能聯繫實際應用。因此，在學習本書時，特別希望調用Scikit-Learn各種函數來解決問題之餘，更要理解演算法背後的數學工具。因此，本書給出適度的數學推導以及擴展閱讀。 本書提供代碼示例和視頻講解，「鳶尾花書」強調在JupyterLab自主探究學習才能提高編程技能。本書配套微課也主要以配套JupyterNotebooks為核心，希望讀者邊看視頻，邊動手練習。 本書讀者群包括所有試圖用機器學習解決問題的朋友，尤其適用於機器學習入門、初級程序員轉型、高級數據分析師、機器學習進階。作者簡介 姜偉生，博士，勤奮的小鎮做題家，熱愛知識可視化和開源分享。自2022年8月開始，在GitHub上開源「鳶尾花書」學習資源，截至2023年5月，已經分享3000多頁PDF、3000多幅矢量圖、約1000個代碼文件，全球讀者數以萬計。目錄 緒論第1板塊 綜述 第1章 機器學習 1 1 什麼是機器學習 1 2 回歸：找到自變數與因變數關係 1 3 分類：針對有標籤數據 1 4 降維：降低數據維度，提取主要特徵 1 5 聚類：針對無標籤數據 1 6 機器學習流程 1 7 下一步學什麼？ 第2板塊 回歸 第2章 回歸分析 2 1 線性回歸：一個表格、一條直線 2 2 方差分析（ANOVA） 2 3 總離差平方和（SST） 2 4 回歸平方和（SSR） 2 5 殘差平方和（SSE） 2 6 幾何視角：勾股定理 2 7 擬合優度：評價擬合程度 2 8 F檢驗：模型參數不全為 2 9 t檢驗：某個回歸係數是否為 2 10 置信區間：因變數均值的區間 2 11 預測區間：因變數特定值的區間 2 12 對數似然函數：用在最大似然估計（MLE） 2 13 信息準則：選擇模型的標準 2 14 殘差分析：假設殘差服從均值為0的正態分佈 2 15 自相關檢測：Durbin-Watson 2 16 條件數：多重共線性 第3章 多元線性回歸 3 1 多元線性回歸 3 2 優化問題：OLS 3 3 幾何解釋：投影 3 4 二元線性回歸實例 3 5 多元線性回歸實例 3 6 正交關係 3 7 三個平方和 3 8 t檢驗 3 9 多重共線性 3 10 條件概率視角看多元線性回歸 第4章 非線性回歸 4 1 線性回歸 4 2 線性對數模型 4 3 非線性回歸 4 4 多項式回歸 4 5 邏輯回歸 4 6 邏輯函數完成分類問題 第5章 正則化回歸 5 1 正則化：抑制過擬合 5 2 嶺回歸 5 3 幾何角度看嶺回歸 5 4 套索回歸 5 5 幾何角度看套索回歸 5 6 彈性網路回歸 第6章 貝葉斯回歸 6 1 回顧貝葉斯推斷 6 2 貝葉斯回歸：無信息先驗 6 3 使用PyMC完成貝葉斯回歸 6 4 貝葉斯視角理解嶺正則化 6 5 貝葉斯視角理解套索正則化 第7章 高斯過程 7 1 高斯過程原理 7 2 解決回歸問題 7 3 解決分類問題 第3板塊 分類 第8章 k最近鄰分類 8 1 k最近鄰分類原理：近朱者赤，近墨者黑 8 2 二分類：非紅，即藍 8 3 三分類：非紅，要麼藍，要麼灰 8 4 近鄰數量k影響投票結果 8 5 投票權重：越近，影響力越高 8 6 最近質心分類：分類邊界為中垂線 8 7 k-NN回歸：非參數回歸 第9章 樸素貝葉斯分類 9 1 重逢貝葉斯 9 2 樸素貝葉斯的「樸素」之處 9 3 高斯，你好 第10章 高斯判別分析 10 1 又見高斯 10 2 六類協方差矩陣 10 3 決策邊界解析解 10 4 第一類 10 5 第二類 10 6 第三類 10 7 第四類 10 8 第五類 10 9 第六類 10 10 線性和二次判別分析 第11章 支持向量機 11 1 支持向量機 11 2 硬間隔：處理線性可分 11 3 構造優化問題 11 4 支持向量機處理二分類問題 11 5 軟間隔：處理線性不可分 第12章 核技巧 12 1 映射函數：實現升維 12 2 核技巧SVM優化問題 12 3 線性核：最基本的核函數 12 4 多項式核 12 5 二次核：二次曲面 12 6 三次核：三次曲面 12 7 高斯核：基於徑向基函數 12 8 Sigmoid核 第13章 決策樹 13 1 決策樹：可以分類，也可以回歸 13 2 信息熵：不確定性度量 13 3 信息增益：通過劃分，提高確定度 13 4 基尼指數：指數越大，不確定性越高 13 5 最大葉節點：影響決策邊界 13 6 最大深度：控制樹形大小 第4板塊 降維 第14章 主成分分析 14 1 主成分分析 14 2 原始數據 14 3 特徵值分解 14 4 正交空間 14 5 投影結果 14 6 還原 14 7 雙標圖 14 8 陡坡圖 第15章 截斷奇異值分解 15 1 幾何視角看奇異值分解 15 2 四種SVD分解 15 3 幾何視角看截斷型SVD 15 4 優化視角看截斷型SVD 15 5 分析鳶尾花照片 第16章 主成分分析進階 16 1 從「六條技術路線」說起 16 2 協方差矩陣：中心化數據 16 3 格拉姆矩陣：原始數據 16 4 相關性係數矩陣：標準化數據 第17章 主成分分析與回歸 17 1 正交回歸 17 2 一元正交回歸 17 3 幾何角度看正交回歸 17 4 二元正交回歸 17 5 多元正交回歸 17 6 主元回歸 17 7 偏最小二乘回歸 第18章 核主成分分析 18 1 核主成分分析 18 2 從主成分分析說起 18 3 用核技巧完成核主成分分析 第19章 典型相關分析 19 1 典型相關分析原理 19 2 從一個協方差矩陣考慮 19 3 以鳶尾花數據為例 第5板塊 聚類 第20章 K均值聚類 20 1 K均值聚類 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。 |
