出版社：深智
出版日期：2020年5月20日
ISBN:9789865501327
定價：780元 售價：585元
有看部落格的才有此優惠喔
也可到露天購買https://goods.ruten.com.tw/item/show?22022606187590
pchome 商店街購買https://seller.pcstore.com.tw/S140967598/C1434317150.htm
內容簡介
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
內容簡介
本書重點
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
◎ 線性、非線性、整合模型說明
◎ 線性回歸怎麼來的，邏輯回歸怎麼走的，正規化
◎ 支援向量機精華，決策樹以及單純貝氏定理
◎ 神經網路及正反向傳播的推導
◎ 整合學習的來龍去脈，隨機森林和提升樹
◎ xgboost極度梯度提升
本書主要內容
學習並精通任何一門學科無外乎要經過四個步驟：它是什麼？它可行嗎？怎麼學它？如何學好它？機器學習也不例外，本書就以這四個步驟來介紹機器學習。
每一章都以通俗的引言開始，吸引讀者；以精美的思維導圖過渡，讓說明想法更清晰；以簡要的歸納結束，讓讀者加強所學的知識。理論和實作相結合，既有嚴謹的數學推導，又有多樣（Python 和MATLAB）的程式展示，圖文並茂。
前3 章屬於機器學習的概述。作者在這3 章花費的時間最多，絕對讓讀者有所收穫。
第4～14 章介紹「如何學好機器學習」，重點介紹機器學習的各種演算法和調參技巧。
第1章「機器學習是什麼」，從定義開始，詳細介紹機器學習有關的知識、資料和效能度量。
第2章「機器學習可行嗎」，介紹機器具備學習樣本以外的資料的能力。
第3章「機器學習怎麼學」，介紹機器如何選擇出最佳模型。
第4～8章 介紹線性模型，包含線性回歸模型、對率回歸模型、正規化回歸模型、支援向量機模型。
第9～11章 介紹非線性模型，包含單純貝氏模型、決策樹模型、類神經網路模型、正向/反向傳播模型。
第12～14章 介紹整合模型，包含隨機森林模型、提升樹模型、極度梯度提升模型。
第15章 介紹機器學習中的一些非常實用的經驗，包括學習策略、目標設定、誤差分析、偏差和方差分析。
適合讀者群：機器學習初學者、對機器學習感興趣者，或大專院校相關科系學生。
前言
01 | 機器學習是什麼--機器學習定義
1.1 資料
1.2 機器學習類別
1.3 效能度量
1.4 歸納
參考資料
02 | 機器學習可行嗎--計算學習理論
2.1 基礎知識
2.2 核心推導
2.3 結論應用
2.4 歸納
參考資料
技術附錄
03 | 機器學習怎麼學--模型評估選擇
3.1 模型評估
3.2 訓練誤差和測試誤差
3.3 驗證誤差和交換驗證誤差
3.4 誤差剖析
3.5 模型選擇
3.6 歸納
參考資料
技術附錄
04 | 線性回歸
4.1 基礎知識
4.2 模型介紹
4.3 歸納
參考資料
05 | 邏輯回歸
5.1 基礎內容
5.2 模型介紹
5.3 歸納
參考資料
06 | 正規化回歸
6.1 基礎知識
6.2 模型介紹
6.3 歸納
參考資料
07 | 支援向量機
7.1 基礎知識
7.2 模型介紹
7.3 歸納
參考資料
技術附錄
08 | 單純貝氏
8.1 基礎知識
8.2 模型介紹
8.3 歸納
參考資料
技術附錄
09 | 決策樹
9.1 基礎知識
9.2 模型介紹
9.3 歸納
參考資料
10 | 類神經網路
10.1 基礎
10.2 模型應用
11 | 正向/反向傳播
11.1 基礎知識
11.2 演算法介紹
11.3 歸納
參考資料
技術附錄
12 | 整合學習
12.1 結合假設
12.2 裝袋法
12.3 提升法
12.4 整合方式
12.5 歸納
參考資料
13 | 隨機森林和提升樹
13.1 基礎知識
13.2 模型介紹
13.3 歸納
參考資料
14 | 極度梯度提升
14.1 基礎知識
14.2 模型介紹
14.3 歸納
參考資料
15 | 本書歸納
15.1 正交策略
15.2 單值評估指標
15.3 偏差和方差
A | 結語
留言列表
