熱門資料科學與機器學習演算法學習指南

本書介紹並說明資料科學領域常見且重要的機器學習演算法，這些演算法可用於監督式與非監督學習、強化學習與半監督式學習。書中所討論的演算法包括線性迴歸、logistic迴歸、SVM、樸素貝氏、k-means、隨機森林、TensorFlow與特徵工程。

你將會學到如何使用這些演算法來解決問題，以及它們的工作原理。同時也會介紹自然語言處理與推薦系統，以協助同時執行多種演算法。

最後將會知道如何挑選正確的機器學習演算法，來為你的問題進行分群、分類或迴歸。

你將學會：
• 熟悉機器學習的重要元素
• 瞭解特徵選擇與特徵工程流程
• 平衡線性迴歸的效能與誤差
• 建立資料模型，與使用各種類型的演算法來瞭解它的工作方式
• 微調SVM的參數
• 實作資料集的群聚
• 探索自然語言處理與推薦系統的概念
• 從零開始建立機器學習架構

Giuseppe Bonaccorso 是具備12年經驗的機器學習與大數據顧問，擁有義大利University of Catania電機工程學碩士，與義大利University of Rome，Tor Vergata和英國University of Essex的畢業後研究經驗。曾在各種商業領域擔任IT工作，包括公共行政、軍事、公用事業、保健、診斷與廣告，也曾經使用許多技術來開發與管理各種專案，包括Java、Python、Hadoop、Spark、Theano與TensorFlow。他的主要興趣是人工智慧、機器學習、資料科學與心靈哲學。

第 1 章 機器學習簡介
第 2 章 機器學習的重要元素
第 3 章 特徵選擇與特徵工程
第 4 章 線性迴歸
第 5 章 Logistic 迴歸
第 6 章 樸素貝氏
第 7 章 支援向量機
第 8 章 決策樹與整體學習
第 9 章 分群基礎
第 10 章 階層式分群
第 11 章 推薦系統簡介
第 12 章 自然語言處理簡介
第 13 章 NLP 的主題建模與情緒分析
第 14 章 深度學習與 TensorFlow 簡介
第 15 章 建立機器學習架構