0人評分過此書
新手村逃脫！初心者的Python機器學習攻略
❶ 先使用套件現成類別與函式
❷ 再認識演算方法理論與推導
❸ 最後使用自行定義類別重現
《內容簡介》
本書內容改編自第 8 屆 iT 邦幫忙鐵人賽，Big Data 組冠軍網路系列文章──《 R 語言使用者的 Python 學習筆記》，從系列文章中後段開始改寫，省略了原本 Python 基礎語法、網頁資料擷取（俗稱爬蟲）與 Pandas 的章節，著重在以 NumPy、Matplotlib、Scikit-Learn 入門機器學習基礎理論的部分，並與作者的實體課程 (台大工商管理學系、台大資工系統訓練班與中華電信學院等資料科學課程) 教材整合編修而成。
《三大重點》
❶ 先使用套件現成類別與函式
☛NumPy 的 N 維陣列操作與運算
☛物件導向風格的 Matplotlib 視覺化
☛Scikit-Learn 的五個核心理念
☛Keras 的模型建立步驟
❷ 再認識演算方法理論與推導
☛均方誤差函式
☛梯度遞減演算方法
☛交叉熵函式
☛前向傳播與反向傳播
❸ 最後使用自行定義類別重現
☛正規方程類別
☛梯度遞減類別與 AdaGrad 類別
☛羅吉斯迴歸類別
☛深度學習類別
❷ 再認識演算方法理論與推導
❸ 最後使用自行定義類別重現
《內容簡介》
本書內容改編自第 8 屆 iT 邦幫忙鐵人賽，Big Data 組冠軍網路系列文章──《 R 語言使用者的 Python 學習筆記》，從系列文章中後段開始改寫，省略了原本 Python 基礎語法、網頁資料擷取（俗稱爬蟲）與 Pandas 的章節，著重在以 NumPy、Matplotlib、Scikit-Learn 入門機器學習基礎理論的部分，並與作者的實體課程 (台大工商管理學系、台大資工系統訓練班與中華電信學院等資料科學課程) 教材整合編修而成。
《三大重點》
❶ 先使用套件現成類別與函式
☛NumPy 的 N 維陣列操作與運算
☛物件導向風格的 Matplotlib 視覺化
☛Scikit-Learn 的五個核心理念
☛Keras 的模型建立步驟
❷ 再認識演算方法理論與推導
☛均方誤差函式
☛梯度遞減演算方法
☛交叉熵函式
☛前向傳播與反向傳播
❸ 最後使用自行定義類別重現
☛正規方程類別
☛梯度遞減類別與 AdaGrad 類別
☛羅吉斯迴歸類別
☛深度學習類別
-
CHAPTER 1 關於視覺化與機器學習
-
1.1 一個資料科學專案
-
1.2 何謂視覺化
-
1.3 為何視覺化
-
1.4 何謂機器學習
-
1.5 pyvizml模組
-
1.6 為何機器學習
-
1.7 延伸閱讀
-
-
CHAPTER 2 數列運算
-
2.1 關於NumPy
-
2.2 為何NumPy
-
2.3 如何建立ndarray
-
2.4 常用的ndarray屬性
-
2.5 純量、向量、矩陣與張量
-
2.6 ndarray的索引
-
2.7 ndarray的切割
-
2.8 ndarray特別的索引
-
2.9 重塑外觀
-
2.10 複製陣列
-
2.11 合併陣列
-
2.12 通用函式
-
2.13 聚合函式
-
2.14 延伸閱讀
-
-
CHAPTER 3 資料探索
-
3.1 關於Matplotlib
-
3.2 為何Matplotlib
-
3.3 使用Matplotlib的兩種方式
-
3.4 輸出Matplotlib作圖
-
3.5 常見的探索性資料分析
-
3.6 觀察數值資料相關性的需求
-
3.7 觀察類別資料排序的需求
-
3.8 觀察數值資料分布的需求
-
3.9 觀察數學函式外觀的需求
-
3.10 觀察區域海拔高度的需求
-
3.11 顯示二維數值陣列的需求
-
3.12 如何為圖形增加元素
-
3.13 如何在圖形中加入中文字
-
3.14 如何繪製子圖
-
3.15 延伸閱讀
-
-
CHAPTER 4 機器學習入門
-
4.1 關於Scikit-Learn
-
4.2 為何Scikit-Learn
-
4.3 五個核心理念
-
4.4 機器學習的資料表達
-
4.5 Scikit-Learn的支援場景
-
4.6 關於訓練、驗證與測試資料
-
4.7 延伸閱讀
-
-
CHAPTER 5 數值預測的任務
-
5.1 關於數值預測的任務
-
5.2 以Scikit-Learn預測器完成數值預測任務
-
5.3 正規方程Normal Equation
-
5.4 自訂正規方程類別NormalEquation
-
5.5 計算複雜性
-
5.6 梯度遞減Gradient Descent
-
5.7 自訂梯度遞減類別GradientDescent
-
5.8 標準化與進階的梯度遞減
-
5.9 延伸閱讀
-
-
CHAPTER 6 類別預測的任務
-
6.1 關於類別預測的任務
-
6.2 以Scikit-Learn預測器完成類別預測任務
-
6.3 羅吉斯迴歸
-
6.4 自訂羅吉斯迴歸類別LogitReg
-
6.5 二元分類延伸至多元分類：One versus rest
-
6.6 二元分類延伸至多元分類：Softmax函式
-
6.7 兩種表示類別向量的形式
-
6.8 延伸閱讀
-
-
CHAPTER 7 表現的評估
-
7.1 如何評估機器學習演算方法
-
7.2 評估數值預測任務的表現
-
7.3 評估類別預測任務的表現
-
7.4 自訂計算評估指標的類別ClfMetrics
-
7.5 誤差的來源
-
7.6 減少訓練誤差
-
7.7 減少訓練誤差與測試誤差的間距
-
7.8 延伸閱讀
-
-
CHAPTER 8 深度學習入門
-
8.1 什麼是深度學習
-
8.2 為何深度學習
-
8.3 什麼是Keras
-
8.4 為何Keras
-
8.5 撰寫Keras的步驟
-
8.6 前向傳播
-
8.7 反向傳播
-
8.8 自訂深度學習類別DeepLearning
-
8.9 MNIST資料與時裝MNIST資料
-
8.10 延伸閱讀
-
- APPENDIX A pyvizml.py
- 出版地 ： 臺灣
- 語言 ： 繁體中文
評分與評論
請登入後再留言與評分
PDF
PDF
PDF
PDF
