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】

Name: 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】
Brand: abooksthep
Price: 1514.0 TWD
Availability: InStock

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

NT$1,514

商品編號:

供貨狀況: 尚有庫存

加入最愛

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。

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。