| | | 機器學習開發實戰(英文版) | 該商品所屬分類:圖書 -> 科技 | 【市場價】 | 1049-1520元 | 【優惠價】 | 656-950元 | 【作者】 | 迪諾·埃斯波西托弗朗西斯科·埃斯波西 | 【出版社】 | 機械工業出版社 | 【ISBN】 | 9787111671817 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
![](/c3/10026714514616.jpg)
出版社:機械工業出版社 ISBN:9787111671817 商品編碼:10026714514616 品牌:文軒 出版時間:2021-01-01 代碼:139 作者:迪諾·埃斯波西托,弗朗西斯科·埃斯波西
"![](http://img14.360buyimg.com/cms/jfs/t1/203358/9/26405/134589/62f4a34cEcdefae53/84e082ed3b03dbc0.jpg) 作 者:(意)迪諾·埃斯波西托,(意)弗朗西斯科·埃斯波西托 著 定 價:139 出 版 社:機械工業出版社 出版日期:2021年01月01日 頁 數:376 裝 幀:平裝 ISBN:9787111671817 ●第一部分機器學習基礎 第1章人類是如何學習的3 邁向思考型機器4 機器推理的曙光4 哥德爾不完備定理4 計算機的形式化5 邁向人類思想的形式化5 人工智能學科的誕生6 學習原理7 什麼是智能軟件7 大棒加胡蘿卜法14 應變能力15 人工智能的形式16 原始智能16 專家繫統16 自治繫統19 人工情感的形式20 小結22 第2章智能軟件23 應用人工智能23 軟件智能的發展24 專家繫統25 通用人工智能27 無監督學習27 監督學習29 小結32 第3章映射問題和算法33 基本問題33 對像分類34 結果預測36 對像分組38 更復雜的問題40 圖像分類41 目標檢測41 文本分析42 自動機器學習42 AutoML平臺概述42 AutoML模型構建器實戰45 小結48 第4章機器學習解決方案的一般步驟49 數據收集50 組織中的數據驅動文化50 存儲選項51 數據準備52 提高數據質量53 清洗數據53 特征工程54 最終確定訓練數據集56 模型選擇及訓練58 算法速查表59 神經網絡案例61 評估模型性能62 模型部署64 選擇合適的主機平臺64 公開API65 小結66 第5章數據因素67 數據質量67 數據有效性68 數據收集69 數據完整性70 完備性70 專享性70 及時性71 準確性71 一致性71 什麼是數據科學家71 工作中的數據科學家72 數據科學家的工具箱73 數據科學家和軟件開發人員73 小結74 第二部分.NET中的機器學習 第6章.NET方式77 為什麼用/不用Python78 為什麼Python在機器學習中如此受歡迎78 Python機器學習庫的分類80 基於Python模型的端到端解決方案82 ML.NET簡介83 在ML.NET中創建和使用模型84 學習環境的要素87 小結91 第7章實現ML.NET管道93 從數據開始93 探索數據集94 應用公共數據轉換94 關於數據集的注意事項95 訓練步驟96 選擇算法96 測量算法的實際值97 計劃測試階段97 指標預覽98 從客戶端應用程序中預測價格99 獲取模型文件99 設置ASP.NET應用程序99 預測出租車費用100 設計適當的用戶界面102 質疑數據和解決問題的方法103 小結103 第8章ML.NET任務和算法105 ML.NET的整體框架105 涉及的類型和接口105 數據表示107 支持的目錄109 分類任務111 二進制分類111 多類分類116 聚類任務122 準備工作數據122 訓練模型123 評估模型124 遷移學習126 建立圖像分類器的步驟127 應用必要的數據轉換127 模型的構建和訓練129 關於遷移學習的補充說明131 小結132 第三部分淺層學習基礎 第9章機器學習的數學基礎135 統計數據135 均值136 眾數138 中位數139 偏差和方差141 方差142 偏差144 數據表示145 五數概括法145 直方圖146 散點圖148 散點圖矩陣148 以適當的比例繪制149 小結150 第10章機器學習的度量151 統計與機器學習151 機器學習的終極目標152 從統計模型到機器學習模型153 機器學習模型的評價155 從數據集到預測155 測量模型的精度157 為處理準備數據162 縮放162 標準化163 歸一化163 小結163 第11章進行簡單預測:線性回歸165 問題165 用數據指導預測結果166 對關繫做假設167 線性算法169 總體思路169 確定代價函數170 普通的最小二乘算法171 梯度下降算法174 判斷算法的好壞178 改進解決方案178 多項式方法178 正則化179 小結180 第12章進行復雜的預測和決策:決策樹181 問題181 什麼是樹182 機器學習中的樹183 基於樹的算法示例183 基於樹的算法的設計原理185 決策樹與專家繫統185 樹算法的種類186 分類樹187 CART算法的工作原理187 ID3算法的工作原理191 回歸樹194 算法的工作原理194 剪枝195 小結196 第13章進行更好的決策:集成學習算法197 問題197 bagging技術198 隨機森林算法198 算法步驟200 優點與缺點202 boosting技術203 boosting的功能203 梯度boosting206 優點與缺點210 小結210 第14章概率方法:樸素貝葉斯211 貝葉斯統計快速入門211 貝葉斯概率簡介212 基本符號212 貝葉斯定理214 一個實用的代碼審查示例215 貝葉斯統計在分類中的應用216 問題的初始表述217 簡化的有效分子式217 貝葉斯分類器實踐218 樸素貝葉斯分類器219 通用算法219 多項式樸素貝葉斯220 伯努利樸素貝葉斯223 高斯樸素貝葉斯224 樸素貝葉斯回歸226 貝葉斯線性回歸的基礎226 貝葉斯線性回歸的應用228 小結228 第15章對數據進行分組:分類與聚類229 有監督分類的基本方法230 K–近鄰算法230 算法步驟232 應用場景234 支持向量機235 算法概述235 數學知識回顧239 算法步驟240 無監督聚類245 應用案例:縮減數據集245 K–均值算法246 K–模型算法247 DBSCAN算法248 小結251 第四部分深度學習基礎 第16章前饋神經網絡255 神經網絡簡史255 McCulloch-Pit255 前饋網絡256 更復雜的網絡256 人的類型257 感知257 邏260 訓練神經網絡263 整體學習策略263 反向傳播算法264 小結270 第17章神經網絡的設計273 神經網絡概覽273 激活函數274 隱層277 輸出層281 構建神經網絡282 現成的框架282 你的第一個Keras神經網絡284 神經網絡與其他算法287 小結289 第18章其他類型的神經網絡291 前饋神經網絡的常見問題291 遞歸神經網絡292 有狀態神經網絡的結構292 LSTM神經網絡295 卷積神經網絡298 圖像分類與識別298 卷積層299 池化層301 全連接層303 神經網絡的進一步發展304 生成對抗神經網絡304 自動編碼器305 小結307 第19章情感分析:端到端解決方案309 為訓練準備數據310 對問題進行形式化310 獲取數據311 處理數據311 關於中間格式的注意事項313 訓練模型313 選擇生態繫統314 建立單詞字典314 選擇訓練器315 網絡的其他方面319 客戶端應用321 獲取模型的輸入321 從模型中預測322 將響應轉化為可用信息323 小結323 第五部分思考 第20章面向現實世界的AI雲服務327 Azure認知服務327 Azure機器學習工作室329 Azure機器學習服務331 數據科學虛擬機333 本地服務333 SQLServer機器學習服務333 機器學習服務器334 微軟數據處理服務334 Azure數據湖334 AzureDatabricks334 AzureHDInsight335 用於ApacheSpark的.NET335 Azure數據分享336 Azure數據工廠336 小結336 第21章人工智能的商業願景339 工業界對AI的看法339 挖掘潛能339 AI可以為你做什麼340 面臨的挑戰342 端到端解決方案343 我們就叫它咨詢吧344 軟件和數據科學之間的界線344 敏捷AI346 小結349 本書介紹學習深度學習的基礎知識,了解機器學習流程:產生可交付模型的步驟,掌握進行預測,改進決策,並應用概率方法,以及通過分類和聚類對數據進行分組機器學習可以解決哪些問題。提出了一繫列可以用來解決現實問題的算法,以及利用神經網絡的深度學習技術。本書適合對於想要構建機器學習應用程序的專業人員。 ![](https://img10.360buyimg.com/imgzone/jfs/t1/147514/7/5440/73116/5f34a3beE3ba58783/f5b2391383f5625c.jpg)
" | | | | | |