以下書況,主觀上皆可閱讀,若收到後不滿意,『都可退書退款』。
書況補充說明: B自然泛黃書斑、髒污。
【購買須知】
(1)照片皆為現貨實際拍攝,請參書況說明。
(2)『賣場標題、內容簡介』為出版社原本資料,若有疑問請留言,但人力有限,恕不提供大量詢問。
(3)『附件或贈品』,不論標題或內容簡介是否有標示,請都以『沒有附件,沒有贈品』為參考。
(4)訂單完成即『無法加購、修改、合併』,請確認品項、優惠後,再下訂結帳。如有疑問請留言告知。
(5)二手書皆為獨立商品,下訂即刪除該品項,故『取消』後無法重新訂購,須等系統安排『2個月後』重新上架。
(6)收到書籍後,若不滿意,或有缺漏,『都可退書退款』。
[商品主貨號] U102388312
[ISBN-13碼] 9789865024062
[ISBN] 9865024063
[作者] Ankur A. Patel, 盧建成
[出版社] 歐萊禮
[出版日期] 2020/03/25
[裝訂/規格] 平裝 / 376頁 / 18.5 x 23 x 1.88 cm / 普通級 / 單色印刷 / 初版
[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)
[內容簡介] (出版商制式文字, 不論標題或內容簡介是否有標示, 請都以『沒有附件、沒有贈品』為參考。)
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
作者簡介
Ankur A. Patel
Ankur A. Patel 是7Park Data(Vista Equity Partner項目公司)的數據科學副總裁。在7Park Data,Ankur和他的數據科學團隊採用替代資料為對沖基金和公司構建數據產品,並為企業開發機器學習即服務(MLaaS)。)
-----------------------------------------------------------
分享閱讀 書籍狀態請詳看圖示