非監督式學習|使用Python
-
9折 612元
680元
-
預計最高可得金幣30點 ? 可100%折抵
活動加倍另計 -
HAPPY GO享100累1點 4點抵1元折抵無上限
- 作者: Ankur A. Patel 追蹤 ? 追蹤作者後,您會在第一時間收到作者新書通知。
- 譯者:盧建成
- 出版社: 歐萊禮 追蹤 ? 追蹤出版社後,您會在第一時間收到出版社新書通知。
- 出版日:2020/03/25
配送方式
-
台灣
- 國內宅配:本島、離島
-
到店取貨:不限金額免運費
-
海外
- 國際快遞:全球
-
港澳店取:
內容簡介
從無標籤資料應用機器學習解決方案
“研究人員、工程師與學生將會喜歡這本書,因為本書充滿務實的非監督式學習技術,採用平鋪直述的方式,以及囊括了可快速練習的Python範例。”
–Sarah Nagy
Senior Data Scientist at Edison
許多專家認為非監督式學習是人工智慧的下一個前沿技術,並且是邁向強人工智慧的關鍵。由於世界上大多數資料都沒有標籤,因此無法應用傳統的監督式學習。從另一方面來說,非監督式學習則可以應用在無標籤的資料集,用以發現埋藏在資料深處裡有意義的樣式,而這些樣式幾乎不可能被人類發現。
作者Ankur Patel藉由使用兩個簡單且已經可實際運用於業務開發(production-ready)的Python框架:Scikit-learn和Keras來示範如何應用非監督式學習。透過程式碼和實際操作範例,數據科學家將從資料中識別難以發現的樣式,獲得更深入的商業洞見、檢測異常、執行自動特徵工程和特徵選擇,以及生成合成資料集。你所需要的只是程式能力和一些機器學習經驗。
‧比較不同機器學習方法的優點和缺點:監督、非監督和強化學習
‧完整地設置和管理機器學習項目
‧為信用卡詐欺建立偵測系統
‧按照相同與不相同將使用者進行分群
‧實作半監督式學習
‧使用受限玻爾茲曼機(restricted Boltzmann machine, RBM)開發電影推薦系統
‧使用生成對抗網路建立合成影像
“研究人員、工程師與學生將會喜歡這本書,因為本書充滿務實的非監督式學習技術,採用平鋪直述的方式,以及囊括了可快速練習的Python範例。”
–Sarah Nagy
Senior Data Scientist at Edison
許多專家認為非監督式學習是人工智慧的下一個前沿技術,並且是邁向強人工智慧的關鍵。由於世界上大多數資料都沒有標籤,因此無法應用傳統的監督式學習。從另一方面來說,非監督式學習則可以應用在無標籤的資料集,用以發現埋藏在資料深處裡有意義的樣式,而這些樣式幾乎不可能被人類發現。
作者Ankur Patel藉由使用兩個簡單且已經可實際運用於業務開發(production-ready)的Python框架:Scikit-learn和Keras來示範如何應用非監督式學習。透過程式碼和實際操作範例,數據科學家將從資料中識別難以發現的樣式,獲得更深入的商業洞見、檢測異常、執行自動特徵工程和特徵選擇,以及生成合成資料集。你所需要的只是程式能力和一些機器學習經驗。
‧比較不同機器學習方法的優點和缺點:監督、非監督和強化學習
‧完整地設置和管理機器學習項目
‧為信用卡詐欺建立偵測系統
‧按照相同與不相同將使用者進行分群
‧實作半監督式學習
‧使用受限玻爾茲曼機(restricted Boltzmann machine, RBM)開發電影推薦系統
‧使用生成對抗網路建立合成影像
目錄
前言
第一部分 非監督式學習的基礎
chapter 01 機器學習領域裡的非監督式學習
chapter 02 完整的機器學習專案
第二部分 使用 Scikit-Learn 開發非監督式學習
chapter 03 維度縮減
chapter 04 異常偵測
chapter 05 分群
chapter 06 群組區隔
第三部分 使用 TensorFlow 和 Keras 開發非監督式學習
chapter 07 自動編碼器(Autoencoder)
chapter 08 實際操作自動編碼器
chapter 09 半監督式學習
第四部分 使用 TensorFlow 和 Keras 開發非監督式深度學習模型
chapter 10 推薦系統使用受限波爾茲曼機
chapter 11 使用深度信念網路(DBNs)進行特徵偵測
chapter 12 生成對抗網路
chapter 13 時序型資料分群法
chapter 14 結論
索引
第一部分 非監督式學習的基礎
chapter 01 機器學習領域裡的非監督式學習
chapter 02 完整的機器學習專案
第二部分 使用 Scikit-Learn 開發非監督式學習
chapter 03 維度縮減
chapter 04 異常偵測
chapter 05 分群
chapter 06 群組區隔
第三部分 使用 TensorFlow 和 Keras 開發非監督式學習
chapter 07 自動編碼器(Autoencoder)
chapter 08 實際操作自動編碼器
chapter 09 半監督式學習
第四部分 使用 TensorFlow 和 Keras 開發非監督式深度學習模型
chapter 10 推薦系統使用受限波爾茲曼機
chapter 11 使用深度信念網路(DBNs)進行特徵偵測
chapter 12 生成對抗網路
chapter 13 時序型資料分群法
chapter 14 結論
索引
詳細資料
詳細資料
-
- 語言
- 中文繁體
- 裝訂
- 紙本平裝
-
- ISBN
- 9789865024062
- 分級
- 普通級
-
- 頁數
- 376
- 商品規格
- 18開17*23cm
-
- 出版地
- 台灣
- 適讀年齡
- 全齡適讀
-
- 注音
- 級別
訂購/退換貨須知
退換貨須知:
**提醒您,鑑賞期不等於試用期,退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」,以下商品購買後,除商品本身有瑕疵外,將不提供7天的猶豫期:
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮食品)
- 依消費者要求所為之客製化給付。(客製化商品)
- 報紙、期刊或雜誌。(含MOOK、外文雜誌)
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務,經消費者事先同意始提供。(如:電子書、電子雜誌、下載版軟體、虛擬商品…等)
- 已拆封之個人衛生用品。(如:內衣褲、刮鬍刀、除毛刀…等)
- 若非上列種類商品,均享有到貨7天的猶豫期(含例假日)。
- 辦理退換貨時,商品(組合商品恕無法接受單獨退貨)必須是您收到商品時的原始狀態(包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等),請勿直接使用原廠包裝寄送,或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀,將請您負擔回復原狀所需費用,嚴重時將影響您的退貨權益。
商品評價