涵蓋預處理到深度學習的實務處方

“Chris巧妙地運用技術處方式的書籍特質，不僅讓經驗豐富的專業人士有可以參考的材料，對初學者而言，本書也是易於瞭解學習的濃縮入門課程。無論是要作為應徵資料科學家時，準備面試的複習材料，亦或是書案前的簡潔、完整參考資料，本書都是極具參考價值的資源。”
-Justin Bozonier
Grubhub主任資料科學家

這本實務指南提供近200個完整的處方，協助您克服日常工作上可能會遭遇到的機器學習障礙。若您已能自如運用Python與包括pandas與scikit-learn在內的程式庫，就可處理如資料載入、處理文字或數值資料、模型選擇、降維與其他的許多問題。

每一個處方中都有您可以複製進玩具資料集中的程式碼，供您實際操作使用。以之為起點，您可以在其中加入、組合或調整這些程式碼，以架構出應用程式。處方中也會有討論的部份，說明解方的運作情形並提供相關的背景知識。這本錦囊妙計將透過提供必要零件的方式，讓您在理論與概念上，建構出有效的機器學習應用。

您可以在本書中找到處理下列主題的處方：
。向量、矩陣與陣列
。處理數值與分類資料、文字、影像與日期時間
。透過特徵提取或特徵選取方法進行降維
。模型評估與選擇
。線性與邏輯迴歸、樹與林以及k最近鄰
。支持向量機(SVM)、樸素貝氏分類、分群與類神經網路
。儲存與載入完訓模型

Chris Albon 是肯亞新創公司BRCK的首席資料科學家。他創辦了New Knowledge這家AI公司，以及Partially Derivative播客。Chris在統計學習、人工智慧與軟體工程領域中已累積了超過十年的工作經驗。

第一章 向量、矩陣與陣列
第二章 載入數據
第三章 資料整理
第四章 處理數值資料
第五章 處理類型資料
第六章 處理文本
第七章 處理日期時間
第八章 處理影像
第九章 運用特徵提取降維
第十章 運用特徵選取降維
第十一章 模型評估
第十二章 模型選取
第十三章 線性迴歸
第十四章 樹與林
第十五章 K 最近鄰
第十六章 邏輯迴歸
第十七章 支持向量機
第十八章 樸素貝氏分類
第十九章 分群
第二十章 類神經網路
第二十一章 儲存與載入完訓模型