★★★★★【機器學習唯一指定】★★★★★
☆☆☆☆☆【入門】+【實戰】☆☆☆☆☆
AI 專業大師 陳昭明 老師全新力作，帶你一次到位，完整學習Scikit-learn！
以Scikit-learn套件為主體，介紹各類的演算法，同時提供大量應用實例，全面性的掌握理論、技術與實作，為機器學習入門者的最佳夥伴！
★詳細的程式說明
★遵循完整的機器學習開發流程
★資料的探索、清理、特徵工程、模型訓練、評估、參數調校到最終的部署
本書主要的特點
1. 以完整的機器學習開發流程角度出發。
2. 每一個演算法都包括原理、自行開發、Scikit-learn函數用法，最後再附應用實例。
3. 以「統計／數學」為出發點，介紹機器學習必備的數理基礎，使用大量圖解，並以程式開發加深掌握演算法原理，增進學習樂趣。
4. 完整實用的範例程式及各種演算法的延伸應用，能在企業內應用自如。
第 1 章 Scikit-learn入門
1-1 Scikit-learn簡介
1-2 學習地圖
1-3 開發環境安裝
1-4 Jupyter Notebook
1-5 撰寫第一支程式
1-6 本章小結
1-7 延伸練習
第 2 章 資料前置處理
2-1 資料源(Data Sources)
2-2 Scikit-learn內建資料集
2-3 資料清理
2-4 遺失值(Missing value)處理
2-5 離群值(Outlier)處理
2-6 類別變數編碼
2-7 其他資料清理
2-8 本章小結
2-9 延伸練習
第 3 章 資料探索與分析
3-1 資料探索的方式
3-2 描述統計量(Descriptive statistics)
3-3 統計圖
3-4 實務作法
3-5 本章小結
3-6 延伸閱讀
第 4 章 特徵工程
4-1 特徵縮放(Feature Scaling)
4-2 特徵選取(Feature Selection)
4-3 特徵萃取(Feature Extraction)
4-4 特徵生成(Feature Generation)
4-5 小結
4-6 延伸練習
第 5 章 迴歸
5-1 線性迴歸(Linear regression)
5-2 非線性迴歸(Non-linear regression)
5-3 迴歸的假設與缺點
5-4 時間序列分析(Time Series Analysis)
5-5 過度擬合(Overfitting)與正則化(Regularization)
5-6 偏差(Bias)與變異(Variance)
5-7 本章小結
5-8 延伸練習
第 6 章 分類演算法(一)
6-1 羅吉斯迴歸(Logistic Regression)
6-2 最近鄰(K nearest neighbor)
6-3 單純貝氏分類法(Naïve Bayes Classifier)
6-4 本章小結
6-5 延伸練習
第 7 章 分類演算法(二)
7-1 支援向量機(Support Vector Machine)
7-2 決策樹(Decision Tree)
7-3 隨機森林(Random Forest)
7-4 ExtraTreesClassifier
7-5 本章小結
7-6 延伸練習
第 8 章 模型效能評估與調校
8-1 模型效能評估
8-2 效能衡量指標(Performance Metrics)
8-3 ROC/AUC
8-4 詐欺偵測(Fraud Detection)個案研究
8-5 本章小結
8-6 延伸練習
第 9 章 集群
9-1 K-Means Clustering
9-2 階層集群(Hierarchical Clustering)
9-3 以密度為基礎的集群(DBSCAN)
9-4 高斯混合模型(Gaussian Mixture Models)
9-5 影像壓縮(Image Compression)
9-6 客戶區隔(Customer Segmentation)
9-7 本章小結
9-8 延伸練習
第 10 章 整體學習
10-1 整體學習概念說明
10-2 多數決(Majority Voting)
10-3 裝袋法(Bagging)
10-4 強化法(Boosting)
10-5 堆疊(Stacking)
10-6 本章小結
10-7 延伸練習
第 11 章 其他課題
11-1 半監督式學習(Semi-supervised learning)
11-2 可解釋的AI(Explainable AI, XAI)
11-3 機器學習系統架構
11-4 結語
第 1 章 Scikit-learn入門
1-1 Scikit-learn簡介
1-2 學習地圖
1-3 開發環境安裝
1-4 Jupyter Notebook
1-5 撰寫第一支程式
1-6 本章小結
1-7 延伸練習
第 2 章 資料前置處理
2-1 資料源(Data Sources)
2-2 Scikit-learn內建資料集
2-3 資料清理
2-4 遺失值(Missing value)處理
2-5 離群值(Outlier)處理
2-6 類別變數編碼
2-7 其他資料清理
2-8 本章小結
2-9 延伸練習
第 3 章 資料探索與分析
3-1 資料探索的方式
3-2 描述統計量(Descriptive statistics)
3-3 統計圖
3-4 實務作法
3-5 本章小結
3-6 延伸閱讀
第 4 章 特徵工程
4-1 特徵縮放(Feature Scaling)
4-2 特徵選取(Feature Selection)
4-3 特徵萃取(Feature Extraction)
4-4 特徵生成(Feature Generation)
4-5 小結
4-6 延伸練習
第 5 章 迴歸
5-1 線性迴歸(Linear regression)
5-2 非線性迴歸(Non-linear regression)
5-3 迴歸的假設與缺點
5-4 時間序列分析(Time Series Analysis)
5-5 過度擬合(Overfitting)與正則化(Regularization)
5-6 偏差(Bias)與變異(Variance)
5-7 本章小結
5-8 延伸練習
第 6 章 分類演算法(一)
6-1 羅吉斯迴歸(Logistic Regression)
6-2 最近鄰(K nearest neighbor)
6-3 單純貝氏分類法(Naïve Bayes Classifier)
6-4 本章小結
6-5 延伸練習
第 7 章 分類演算法(二)
7-1 支援向量機(Support Vector Machine)
7-2 決策樹(Decision Tree)
7-3 隨機森林(Random Forest)
7-4 ExtraTreesClassifier
7-5 本章小結
7-6 延伸練習
第 8 章 模型效能評估與調校
8-1 模型效能評估
8-2 效能衡量指標(Performance Metrics)
8-3 ROC/AUC
8-4 詐欺偵測(Fraud Detection)個案研究
8-5 本章小結
8-6 延伸練習
第 9 章 集群
9-1 K-Means Clustering
9-2 階層集群(Hierarchical Clustering)
9-3 以密度為基礎的集群(DBSCAN)
9-4 高斯混合模型(Gaussian Mixture Models)
9-5 影像壓縮(Image Compression)
9-6 客戶區隔(Customer Segmentation)
9-7 本章小結
9-8 延伸練習
第 10 章 整體學習
10-1 整體學習概念說明
10-2 多數決(Majority Voting)
10-3 裝袋法(Bagging)
10-4 強化法(Boosting)
10-5 堆疊(Stacking)
10-6 本章小結
10-7 延伸練習
第 11 章 其他課題
11-1 半監督式學習(Semi-supervised learning)
11-2 可解釋的AI(Explainable AI, XAI)
11-3 機器學習系統架構
11-4 結語
第 1 章 Scikit-learn入門
1-1 Scikit-learn簡介
1-2 學習地圖
1-3 開發環境安裝
1-4 Jupyter Notebook
1-5 撰寫第一支程式
1-6 本章小結
1-7 延伸練習
第 2 章 資料前置處理
2-1 資料源(Data Sources)
2-2 Scikit-learn內建資料集
2-3 資料清理
2-4 遺失值(Missing value)處理
2-5 離群值(Outlier)處理
2-6 類別變數編碼
2-7 其他資料清理
2-8 本章小結
2-9 延伸練習
第 3 章 資料探索與分析
3-1 資料探索的方式
3-2 描述統計量(Descriptive statistics)
3-3 統計圖
3-4 實務作法
3-5 本章小結
3-6 延伸閱讀
第 4 章 特徵工程
4-1 特徵縮放(Feature Scaling)
4-2 特徵選取(Feature Selection)
4-3 特徵萃取(Feature Extraction)
4-4 特徵生成(Feature Generation)
4-5 小結
4-6 延伸練習
第 5 章 迴歸
5-1 線性迴歸(Linear regression)
5-2 非線性迴歸(Non-linear regression)
5-3 迴歸的假設與缺點
5-4 時間序列分析(Time Series Analysis)
5-5 過度擬合(Overfitting)與正則化(Regularization)
5-6 偏差(Bias)與變異(Variance)
5-7 本章小結
5-8 延伸練習
第 6 章 分類演算法(一)
6-1 羅吉斯迴歸(Logistic Regression)
6-2 最近鄰(K nearest neighbor)
6-3 單純貝氏分類法(Naïve Bayes Classifier)
6-4 本章小結
6-5 延伸練習
第 7 章 分類演算法(二)
7-1 支援向量機(Support Vector Machine)
7-2 決策樹(Decision Tree)
7-3 隨機森林(Random Forest)
7-4 ExtraTreesClassifier
7-5 本章小結
7-6 延伸練習
第 8 章 模型效能評估與調校
8-1 模型效能評估
8-2 效能衡量指標(Performance Metrics)
8-3 ROC/AUC
8-4 詐欺偵測(Fraud Detection)個案研究
8-5 本章小結
8-6 延伸練習
第 9 章 集群
9-1 K-Means Clustering
9-2 階層集群(Hierarchical Clustering)
9-3 以密度為基礎的集群(DBSCAN)
9-4 高斯混合模型(Gaussian Mixture Models)
9-5 影像壓縮(Image Compression)
9-6 客戶區隔(Customer Segmentation)
9-7 本章小結
9-8 延伸練習
第 10 章 整體學習
10-1 整體學習概念說明
10-2 多數決(Majority Voting)
10-3 裝袋法(Bagging)
10-4 強化法(Boosting)
10-5 堆疊(Stacking)
10-6 本章小結
10-7 延伸練習
第 11 章 其他課題
11-1 半監督式學習(Semi-supervised learning)
11-2 可解釋的AI(Explainable AI, XAI)
11-3 機器學習系統架構
11-4 結語
陳昭明
★曾任職於 IBM、工研院等全球知名企業
★IT 邦幫忙 2018 年 AI 組【冠軍】
★多年 AI 課程講授經驗
Details
Review
0 ratings
1 stars
0%
2 stars
0%
3 stars
0%
4 stars
0%
5 stars
0%
Write a review
Product review was disabled
