< >
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
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。
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
Python 3 物件導向程式設計 第二版 Effective Python 中文版 | 寫出良好 Python 程式的 59 個具體做法 黑帽 Python | 給駭客與滲透測試者的 Python 開發指南
購買紙本書