初探機器學習演算法 Giuseppe Bonaccorso (著)

股票学习站

	【资料名称】:初探機器學習演算法 【资料描述】: 　　熱門資料科學與機器學習演算法學習指南 　　本書介紹並說明資料科學領域常見且重要的機器學習演算法，這些演算法可用於監督式與非監督學習、強化學習與半監督式學習。書中所討論的演算法包括線性迴歸、logistic迴歸、SVM、樸素貝氏、k-means、隨機森林、TensorFlow與特徵工程。 　　你將會學到如何使用這些演算法來解決問題，以及它們的工作原理。同時也會介紹自然語言處理與推薦系統，以協助同時執行多種演算法。 　　最後將會知道如何挑選正確的機器學習演算法，來為你的問題進行分群、分類或迴歸。 　　你將學會： 　　 熟悉機器學習的重要元素 　　 瞭解特徵選擇與特徵工程流程 　　 平衡線性迴歸的效能與誤差 　　 建立資料模型，與使用各種類型的演算法來瞭解它的工作方式? 微調SVM的參數 　　 實作資料集的群聚 　　 探索自然語言處理與推薦系統的概念 　　 從零開始建立機器學習架構 　　目錄 　　前言 　　第1章 機器學習簡介 　　簡介—傳統與自我調整機器 　　學習才是最重要的 　　超越機器學習—深度學習與受生物啟發的自我調整系統資料學習與大數據 　　進階讀物 　　總結 　　第2章 機器學習的重要元素 　　資料格式 　　可學習性 　　統計學習方法 　　資訊理論元素 　　參考文獻 　　總結 　　第3章 特徵選擇與特徵工程 　　scikit-learn玩具資料集 　　建立訓練與測試集合 　　管理分類資料 　　管理遺漏的特徵 　　資料縮放與標準化 　　選擇特徵與過濾 　　主成分分析 　　原子擷取與字典學習 　　參考文獻 　　總結 　　第4章 線性迴歸 　　線性模型 　　二維範例 　　使用scikit-learn與較高維度來做線性迴歸 　　Ridge、Lasso與ElasticNet 　　使用隨機抽樣一致法的穩健迴歸 　　多項式迴歸 　　保序迴歸 　　參考文獻 　　總結 　　第5章 Logistic迴歸 　　線性分類 　　Logistic迴歸 　　實作與最佳化 　　隨機梯度下降演算法 　　使用格點搜尋來找出最佳超參數 　　分類度量 　　ROC曲線 　　總結 　　第6章 樸素貝氏 　　貝氏定理 　　樸素貝氏分類器 　　scikit-learn的樸素貝氏 　　參考文獻 　　總結 　　第7章 支援向量機 　　線性支援向量機 　　scikit-learn實作 　　受控支援向量機 　　支援向量迴歸 　　參考文獻 　　總結 　　第8章 決策樹與整體學習 　　二元決策樹 　　使用scikit-learn來做決策樹分類 　　整體學習 　　參考文獻 　　總結 　　第9章 分群基礎 　　分群基本概念 　　採用地真來評價方法 　　參考文獻 　　總結 　　第10章 階層式分群 　　階層式策略 　　聚合式分群 　　參考文獻 　　總結 　　第11章 推薦系統簡介 　　以使用者為基礎的稚嫩系統 　　以內容為基礎的系統 　　無模型（或基於記憶）的協同過濾 　　模型式協同過濾 　　參考文獻 　　總結 　　第12章 自然語言處理簡介 　　NLTK與內建的語料庫 　　詞袋策略 　　採用Reuters語料庫的樣本文字分類器 　　參考文獻 　　總結 　　第13章 NLP的主題建模與情緒分析 　　主題建模 　　情緒分析 　　參考文獻 　　總結 　　第14章 深度學習與TensorFlow簡介 　　深度學習簡介 　　TensorFlow簡介 　　Keras簡介 　　參考文獻 　　總結 　　第15章 建立機器學習架構 　　機器學習架構 　　用於機器學習架構的scikit-learn工具 　　參考文獻 　　總結 　　索引 【下载地址隐藏】：                    点：回复可见地址 游客，如果您要查看本帖隐藏内容请回复