Readmoo 讀墨電子書
每日問答 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...

  • 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
  • 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
  • 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
  • 查看系列
    林維哲
    龍文化出版
    電子書： NT$ 319

    你的時間不該被瑣事綁架！想從每天的忙碌中解放，實現財富與時間自由？這本書專為創業新手、企業主與副業愛好者打造，教你用系統化思維，打造自動化獲利閉環...

    試讀
  • AS Studio
    AS studio
    電子書： NT$ 250

    告別 AS/400 的學習焦慮！ 本書濃縮了作者從非本科轉職的實戰學習筆記，專為程式新手、轉職者與 AS/400 的初學者設計。 【直擊重點】: 不談艱深理論，只給...

    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
  • 王進德
    王進德
    電子書： NT$ 100

    本書專為 Raspberry Pi 初學者與愛好者量身打造，涵蓋了全新 Raspberry Pi 5 的基礎知識與應用指南。從硬體介紹到操作系統安裝，從網路設定到相機模組運用，...

    試讀
  • 陳志賢 T.U. Chen
    陳志賢
    電子書： NT$ 60

    VirtualBox 是x86 平台的虛擬機器模擬器. 目前和Java 一樣由 ORACLE 公司持有及維護, 但其維持符合GNU General Public License(GPL) version 2規定的免費開放...

    試讀
  • 翁卓立
    PCuSER電腦人
    出版日期：2011-07-12
    電子書： NT$ 399

    ※電子書不附範例檔案。 要學會Ubuntu 11.04從入門到精通，就必須從基礎、應用、網路、進階，一一學起。

    試讀
  • 齋藤昌義
    台灣東販
    出版日期：2024-02-23
    電子書： NT$ 385

    用圖看懂最新IT趨勢

    試讀
  • 蘇勝宏
    蘇勝宏
    電子書： NT$ 300

    筆者教學倉頡輸入法的經驗，和自行研究中文輸入法的心得，整理編輯本書。 筆著研發改良「老蘇形音中文輸入法」的目的是為了改良「速成輸入法」同碼字太多...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    出版日期：2021-08-01
    電子書： NT$ 496

    本書特色 ★★★★★Power BI最佳著作★★★★★ ☆☆☆☆☆【35個主題】、【283個企業實例】☆☆☆☆☆ 這是目前市面上內容最完整的Power BI圖書，讀者研讀本書可以學會將企業...

    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

    生成式AI × 穩健提示爬蟲技術 I－數據抓取篇：爬蟲× OCR × 多模態API應用×Perplexity AI Comet Generative AI × Robust Prompted Sampling

    大型語言模型應用實戰：從Prompt Engineering到Agentic RAG與MCP

    NotebookLM筆記術：打造你的AI「第二大腦」

    更多出版社作品
    試讀