Readmoo 讀墨電子書
國際布克獎 每日優惠 版權到期
Scikit-learn 詳解與企業應用：機器學習最佳入門與實戰
0 則劃線
0 篇書評

Scikit-learn 詳解與企業應用：機器學習最佳入門與實戰

分類導覽 > 電腦科技 > 作業系統
  • 出版日期： 2023/03/01
  • 語言：繁體中文
  • 檔案大小：49.4MB
  • 商品格式：固定版面 EPUB
  • ISBN: 9786267273357
  • ISBN: 9786267273210
  • 頁數： 478
紙本書定價：NT$ 880
電子書售價：NT$ 704
本書為固定版面 EPUB，建議您使用 mooInk Pro 系列、平板及電腦閱讀。

★★★★★【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。

喜歡這本的人，也看了...

  • 王進德
    博碩文化
    出版日期：2023-03-11
    電子書： NT$ 500

    以實作範例說明指令用法，輕鬆進入Ubuntu的世界 掌握Ubuntu的管理及應用，建立更安全的Linux平台及專屬的物聯網平台

    試讀
  • Eliyah Oren
    Academia Pundarika
    電子書： NT$ 450

    一本從物理原理、硬體選型到場景部署，完整解碼空間感知技術的實務指南 本書不以抽象理論為起點，而是從真實場景的痛點切入，CSI 技術提供了一種不同的思...

    試讀
  • 吳燦銘
    博碩文化
    出版日期：2016-07-31
    電子書： NT$ 120

    學生、上班族都該學會的超實用效率提升術 500招實用技分類歸納整理，隨用隨查好方便！ 應用技巧大公開！快速活用Office各項功能，打造你的冠軍實力 10秒學會...

    試讀
  • 彭其捷
    博碩文化
    出版日期：2017-11-02
    電子書： NT$ 380

    超熱門的Tableau資料分析工具×完整的視覺化任務環節×挑選合適的視覺化圖表×不寫程式就可做出專屬自己的資料視覺化網頁×了解全球流行的資料視覺化工具 利用強...

    試讀
  • 蘋果梗 Henry
    博碩文化
    出版日期：2021-03-06
    電子書： NT$ 390

    蘋果認證國際講師 操刀撰寫 輕鬆學會最簡單又強大的作業系統 macOS激發你的創作能力，絕不拖你後腿

    試讀
  • 紫色竹子
    紫色竹子
    電子書： NT$ 250

    這是一本教你用最簡單的操作來完成自出版的書，也是一本幫你實現夢想的書。 自出版，雖然形式上較為自由，但實際出版後，相對應的挫折可能接踵而來。本書紀錄...

    試讀
  • 吳燦銘
    博碩文化
    出版日期：2025-08-29
    電子書： NT$ 640

    Windows 11功能大解析！無痛銜接微軟最新作業系統

    試讀
  • 陳鍾誠編輯
    陳鍾誠
    出版日期：2013-06-17
    電子書： NT$ 0

    本期介紹QEMU的創造者和UNIX與C的催生者，以影片和專文介紹Arduino，另外JavaScipt的專欄介紹以原型為主的物件導向，除封裝、繼承、多型等概念在JavaScript的...

    試讀
  • 儲昭芳
    博誌文化
    電子書： NT$ 150

    本書是針對銀髮爸媽們的數位生活操作做為首要需求，透過簡單易懂的文字敘述搭配圖面，讓第一次接觸Windows的銀髮爸媽們能夠輕鬆入門，體驗數位新生活。

    試讀
  • Yan(硯取歪)
    博碩文化
    出版日期：2017-04-28
    電子書： NT$ 220

    「設計模式」一詞起源於建築設計，目的是為了解決工程中重複出現的各種問題，之後被這個概念被導入軟體工程之中。 其中最為人熟悉的是GoF整理的23種設計模式...

    試讀
  • 王進德
    博碩文化
    出版日期：2021-06-27
    電子書： NT$ 450

    ※採用Ubuntu 20.04 LTS版本，讓以後的學習可以獲得最新的支持及穩定的更新。 ※內容涵蓋Ubuntu桌面版及伺服版作業系統的操作、配置及管理。 ※零基礎起步，從...

    試讀
  • PCuSER研究室
    PCuSER電腦人
    出版日期：2017-09-05
    電子書： NT$ 104

    函數絕對是Excel中的精髓！學會函數保證你在製作高難度報表時更加無往不利，本書收錄了超過百則常用的Excel函數，不管是文字格式、邏輯函數、時間日期、資料...

    試讀
  • iThome
    iThome
    電子書： NT$ 0

    Modern Web 2015活動議程。 2015/5/15~2015/5/16 大會活動期間，本手冊開放免登入全本試讀。   下載EPUB 下載PDF  

    試讀

    • 詳細資訊

    ★★★★★【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。

    目錄列表

  • Scikit-learn 詳解與企業應用：機器學習最佳入門與實戰
    1. 目錄
      1. 第1章 Scikit-learn入門
        1. 1-1 Scikit-learn簡介
        2. 1-2 學習地圖
        3. 1-3 開發環境安裝
        4. 1-4 Jupyter Notebook
        5. 1-5 撰寫第一支程式
        6. 1-6 本章小結
        7. 1-7 延伸練習
        8. 參考資料(References)
      2. 第2章 資料前置處理(Data Preprocessing)
        1. 2-1 資料源(Data Sources)
        2. 2-2 Scikit-learn內建資料集
          1. 2-2-1 Toy datasets
          2. 2-2-2 Real world datasets
          3. 2-2-3 生成資料(Generated Datasets)
        3. 2-3 資料清理
        4. 2-4 遺失值(Missing value)處理
        5. 2-5 離群值(Outlier)處理
        6. 2-6 類別變數編碼
        7. 2-7 其他資料清理
        8. 2-8 本章小結
        9. 2-9 延伸練習
        10. 參考資料(References)
      3. 第3章 資料探索與分析(EDA)
        1. 3-1 資料探索的方式
        2. 3-2 描述統計量(Descriptive statistics)
        3. 3-3 統計圖
        4. 3-4 實務作法
        5. 3-5 本章小結
        6. 3-6 延伸閱讀
        7. 參考資料(References)
      4. 第4章 特徵工程(Feature Engineering)
        1. 4-1 特徵縮放(Feature Scaling)
          1. 4-1-1 Min-max scaling
          2. 4-1-2 標準化(Standardization)
          3. 4-1-3 MaxAbsScaler
          4. 4-1-4 RobustScaler
        2. 4-2 特徵選取(Feature Selection)
          1. 4-2-1 單變數特徵選取(Univariate feature selection)
          2. 4-2-2 遞迴特徵消去法(Recursive feature elimination)
          3. 4-2-3 SelectFromModel
          4. 4-2-4 順序特徵選取(Sequential Feature Selection)
        3. 4-3 特徵萃取(Feature Extraction)
          1. 4-3-1 主成分分析(Principal Component Analysis)
          2. 4-3-2 線性判別分析(Linear Discriminant Analysis)
          3. 4-3-3 核主成分分析(Kernel Principal Component Analysis)
          4. 4-3-4 t-SNE(t-distributed Stochastic Neighbor Embedding)
        4. 4-4 特徵生成(Feature Generation)
          1. 4-4-1 詞袋(Bag of words)
          2. 4-4-2 TF-IDF
        5. 4-5 本章小結
        6. 4-6 延伸練習
        7. 參考資料(References)
      5. 第5章 迴歸(Regression)
        1. 5-1 線性迴歸(Linear regression)
        2. 5-2 非線性迴歸(Non-linear regression)
        3. 5-3 迴歸的假設與缺點
        4. 5-4 時間序列分析(Time Series Analysis)
        5. 5-5 過度擬合(Overfitting)與正則化(Regularization)
          1. 5-5-1 過度擬合
          2. 5-5-2 正則化(Regularization)
          3. 5-5-3 L1、L2的差異
        6. 5-6 偏差(Bias)與變異(Variance)
        7. 5-7 本章小結
        8. 5-8 延伸練習
        9. 參考資料(References)
      6. 第6章 分類(Classification)演算法(一)
        1. 6-1 羅吉斯迴歸(Logistic Regression)
          1. 6-1-1 羅吉斯迴歸原理
          2. 6-1-2 羅吉斯迴歸實作
          3. 6-1-3 羅吉斯迴歸的優缺點
        2. 6-2 最近鄰(K nearest neighbor)
          1. 6-2-1 最近鄰演算法原理
          2. 6-2-2 最近鄰演算法實作
          3. 6-2-3 商品推薦
          4. 6-2-4 KNN優缺點
        3. 6-3 單純貝氏分類法(Naïve Bayes Classifier)
          1. 6-3-1 貝氏定理原理
          2. 6-3-2 單純貝氏分類器原理
          3. 6-3-3 單純貝氏分類器實作
          4. 6-3-4 單純貝氏分類器優缺點
        4. 6-4 本章小結
        5. 6-5 延伸練習
        6. 參考資料(References)
      7. 第7章 分類(Classification)演算法(二)
        1. 7-1 支援向量機(Support Vector Machine)
          1. 7-1-1 支援向量機原理
          2. 7-1-2 支援向量機實作
          3. 7-1-3 Scikit-learn SVM
          4. 7-1-4 非線性分離SVM
          5. 7-1-5 SVM迴歸
          6. 7-1-6 SVM人臉辨識
          7. 7-1-7 SVM優缺點
        2. 7-2 決策樹(Decision Tree)
          1. 7-2-1 決策樹原理
          2. 7-2-2 自行開發決策樹演算法
          3. 7-2-3 Scikit-learn決策樹演算法
          4. 7-2-4 迴歸樹(Regression Tree)
          5. 7-2-5 多輸出(Multi-output)的迴歸樹實作
          6. 7-2-6 決策樹演算法優缺點
          7. 7-2-7 其他決策樹演算法
        3. 7-3 隨機森林(Random Forest)
        4. 7-4 ExtraTreesClassifier
        5. 7-5 本章小結
        6. 7-6 延伸練習
        7. 參考資料(References)
      8. 第8章 模型效能評估與調校
        1. 8-1 模型效能評估
          1. 8-1-1 保留交叉驗證法(Holdout Cross Validation)
          2. 8-1-2 K折交叉驗證法(K fold Cross Validation)
          3. 8-1-3 管線(Pipeline)
        2. 8-2 效能衡量指標(Performance Metrics)
          1. 8-2-1 混淆矩陣(Confusion Matrix)
          2. 8-2-2 效能衡量指標計算公式
        3. 8-3 ROC/AUC
          1. 8-3-1 繪製ROC曲線
        4. 8-4 詐欺偵測(Fraud Detection)個案研究
        5. 8-5 本章小結
        6. 8-6 延伸練習
        7. 參考資料(References)
      9. 第9章 集群(Clustering)
        1. 9-1 K-Means Clustering
          1. 9-1-1 K-Means原理
          2. 9-1-2 自行開發K-Means演算法
          3. 9-1-3 Scikit-learn K-Means演算法
          4. 9-1-4 轉折判斷法(Elbow)
          5. 9-1-5 輪廓圖分析(Silhouette Analysis)
          6. 9-1-6 鬆散集群(Soft Clustering)
        2. 9-2 階層集群(Hierarchical Clustering)
        3. 9-3 以密度為基礎的集群(DBSCAN)
        4. 9-4 高斯混合模型(Gaussian Mixture Models)
        5. 9-5 影像壓縮(Image Compression)
        6. 9-6 客戶區隔(Customer Segmentation)
        7. 9-7 本章小結
        8. 9-8 延伸練習
        9. 參考資料(References)
      10. 第10章 整體學習(Ensemble Learning)
        1. 10-1 整體學習概念說明
        2. 10-2 多數決(Majority Voting)
        3. 10-3 裝袋法(Bagging)
        4. 10-4 強化法(Boosting)
          1. 10-4-1 自行開發AdaBoost
          2. 10-4-2 Scikit-learn AdaBoost
          3. 10-4-3 梯度提升(Gradient Boost)
          4. 10-4-4 XGBoost
        5. 10-5 堆疊(Stacking)
        6. 10-6 本章小結
        7. 10-7 延伸練習
        8. 參考資料(References)
      11. 第11章 其他課題
        1. 11-1 半監督式學習(Semi-supervised learning)
          1. 11-1-1 自我訓練(Self-Training)
          2. 11-1-2 標註傳播(Label Propagation)
        2. 11-2 可解釋的AI(Explainable AI， XAI)
        3. 11-3 機器學習系統架構
          1. 11-3-1 資料治理(Data governance)
          2. 11-3-2 模型管理(Model management)
          3. 11-3-3 MLOps
        4. 11-4 結語
        5. 參考資料(References)

    購買說明

    根據台灣現行法規，數位內容（ 如電子書、音樂、影片、遊戲、App ）形式之商品，不受「網購服務需提供七日鑑賞期」的限制。為維護您的權益，建議您先使用「試讀」功能後再付款購買。

    作者其他作品

    深度學習最佳入門與專題實戰：自然語言處理、大型語言模型與強化學習篇

    深度學習最佳入門與專題實戰：理論基礎與影像篇

    Rust最佳入門與實戰

    開發者傳授PyTorch秘笈

    ChatGPT完整解析：API實測與企業應用實戰

    MORE
    出版社簡介
    深智數位股份有限公司
    出版社作品

    Code Review 我的青春：從「嗶」聲開啟我的軟體工程師之路

    實用的GeminiAPI開發點子書

    AI智慧生活術：打造你的AI生活作業系統

    更多出版社作品
    試讀