機器學習：使用Python進行預測分析的基本技術(Machine Learning in Python: Essential Techniques for Predictive Analysis)～推薦！

作者：Michael Bowles
譯者：賴屹民
出版社：碁峰
出版日期：2016/09/13
語言：繁體中文

ISBN：9789864761388
規格：平裝/384頁/17x23cm/普通級/單色印刷/初版
出版地：台灣
本書分類：電腦資訊>程式設計>其他

【Author】作者/繪者/著者/譯者

作者簡介

Michael Bowles

　　MICHAEL BOWLES 目前在矽谷的 Hacker Dojo 教導機器學習，擔任機器學習專案的顧問，並且與一些有關生物訊息與高頻率交易的創業公司合作。Michael 曾在 MIT 擔任助理教授，之後自行創業，開創兩家矽谷的公司，這兩家公司都已成為上市公司。他在 Hacker Dojo 舉辦的課程幾乎都會銷售一空，佳評如潮。

►GO►最新優惠► [暢銷書]機器學習：使用Python進行預測分析的基本技術

【Introduction】簡介/書評/特色/摘要

以簡單有效率的方式分析資料與預測結果

　　機器學習的目的是預測，使用你已經知道的來預測你想要知道的—根據這兩者之間的歷史關係。它的核心是一種數學 / 演算法技術，你需要深入瞭解數學與統計學概念，並熟悉 R 與其他專用語言。本書為廣大的讀者簡化機器學習技術，把焦點放在兩種可以有效地預測結果的演算法族群，告訴你如何透過熱門且容易上手的 Python 程式語言來使用它們。

　　作者 Michael Bowles 具備多年的機器學習經驗，將帶領你設計、建構與使用自己的機器學習解決方案。他會用很簡單的方式來解釋演算法，不會使用複雜的數學，並提供範例程式，來協助你盡早上手。你將會深入鑽研建構機制，學習如何選擇與使用最能夠解決手上問題的演算法，無論你的問題簡單或複雜。這本書會透過詳細的範例，以具體、可修改的程式來說明機制，並說明線性迴歸與整體方法，協助你瞭解機器學習的基礎工作程序。這些方法都很有效率，而且經過測試，它們的結果可說明一切。

　　本書不需要你具備專業的數學或統計學背景，將會告訴你如何：
　　‧選擇正確的演算法來完成你的工作
　　‧學習機制與準備資料
　　‧掌握核心的 Python 機器學習套件
　　‧建構多功能、有效的預測模型
　　‧將訓練好的模型實際應用在各種用途
　　‧計算模型效能，以取得更好的 QC 與應用
　　‧使用書中的範例程式來設計與建構你自己的模型

►GO►最新優惠► [暢銷書]機器學習：使用Python進行預測分析的基本技術

【Table of Contents】目錄/大綱/內容概要

簡介

Chapter 1 進行預測的兩種基本演算法
為什麼這兩種演算法這麼好用？
什麼是懲罰迴歸方法？
什麼是整體方法？
如何選擇演算法
建構預測模型的步驟
章節的內容與彼此的關係
總結

Chapter 2 藉由瞭解資料來瞭解問題
剖析新問題
分類問題：使用聲納來偵測未爆水雷
將“岩石與水雷”資料集的屬性視覺化
使用因素變數來做實值預測：你的鮑魚多大了？
使用實值屬性來做實值預測：算出酒的口感
多類別分類問題：那是哪一種玻璃？
總結

Chapter 3 建構預測模型：在效能、複雜度與巨量資料之間取得平衡
基本問題：瞭解函數逼近
影響演算法選擇與效能的因素—複雜性與資料
評量預測模型的效能
讓模型與資料和諧共存
總結

Chapter 4 懲罰線性迴歸
為什麼懲罰線性迴歸很好用
懲罰線性迴歸：最佳效能的一般線性迴歸
解決懲罰線性迴歸問題
使用輸值輸入來延伸線性迴歸
總結

Chapter 5 使用懲罰線性方法來建構預測模型
Python 的懲罰線性迴歸套件
多變數迴歸：預測酒味
二元分類：使用懲罰線性迴歸來偵測未爆水雷
多類別分類：分類犯罪現場的玻璃樣本
總結

Chapter 6 整體方法
二元決策樹
Bootstrap Aggregation :“Bagging”
Gradient Boosting
Random Forest
總結

Chapter 7 使用 Python 來建構整體模型
使用 Python 整體套件來處理迴歸問題
編寫 Bagging 來預測酒的品質
在 Python 整體模型中，使用非數值屬性
使用 Python 整體方法來處理二元分類問題
使用 Python 整體方法來處理多類別分類問題
演算法比較
總結

索引