機器學習的公式推導和程式實作
魯偉
- 出版商: 碁峰 樂讀精選兩書66折(部分除外)
- 出版日期: 2024-03-26
- 定價: $580
- 售價: 7.9 折 $458
- 貴賓價: 7.5 折 $435
- 語言: 繁體中文
- 頁數: 376
- 裝訂: 平裝
- ISBN: 6263245360
- ISBN-13: 9786263245365
-
相關分類:
Machine Learning
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
Beyond BIOS: Developing with the Unified Extensible Firmware Interface, 3/e (Paperback)$3,260$3,097 -
Harnessing the UEFI Shell: Moving the Platform Beyond Dos$3,620$3,439 -
Quick Boot: A Guide for Embedded Firmware Developers, Second Edition$2,640$2,508 -
GAN 對抗式生成網路 (GANs in Action: Deep learning with Generative Adversarial Networks)$750$638 -
零基礎入門的機器學習圖鑑：2大類機器學習 X 17種演算法 X Python 基礎教學，讓你輕鬆學以致用$450$405 -
AI 源碼解讀：捲積神經網絡(CNN)深度學習案例 (Python版)$594$564 -
汽車電子系統設計與仿真$414$393 -
自動駕駛算法與芯片設計$648$616 -
PyTorch 深度學習入門與應用：必備實作知識與工具一本就學會$600$468 -
現代 CPU 性能分析與優化$594$564 -
路由與交換技術$599$569 -
汽車以太網(原書第3版)$1,494$1,419 -
深度學習 - 影像處理應用$420$378 -
RISC-V 開放架構設計之道$534$507 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
用 Python 學 AI 理論與程式實作 (涵蓋Certiport ITS AI國際認證模擬試題)$580$435 -
高性能程式密技 - Linux 網路核心技術大公開$980$647 -
SQL × Power Automate × Python 自動化 Excel 與 Pandas 資料分析$650$507 -
重構：改善 .NET 與 C# 應用程式的設計，償還欠下的技術債 (使用 GitHub Copilot 與 Visual Studio) (Refactoring with C#: Safely improve .NET applications and pay down technical debt with Visual Studio, .NET 8, and C# 12)$850$663 -
圖解 Linux 核心工作原理｜透過實作與圖解學習 OS 與硬體的基礎知識【增訂版】$600$450 -
機器學習的高風險應用｜負責任的人工智慧方法 (Machine Learning for High-Risk Applications: Approaches to Responsible AI)$780$616 -
數學公式裡的好野人：資金管理 × 凱利法則金剛經 (軟精裝)$1,200$948 -
新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型$750$593 -
LangChain 開發手冊 -- OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具$680$537 -
時間序列與機器學習$600$570
相關主題
商品描述
進行機器學習的開發時，精通相關數學理論是關鍵的基礎。本書基於對所有機器學習演算法的系統分類，詳細介紹了監督學習單模型、監督學習集成模型、無監督學習模型、概率模型等四大類共26個經典演算法，並進行詳細的公式推導和程式碼實現。旨在協助讀者充分了解演算法細節、實現方法和內在邏輯。
本書適合數理基礎扎實的初學者，也適合深入學習的進階者閱讀，同時可作為機器學習領域的參考書籍。
作者簡介
魯偉
深度學習演算法工程師，主要從事醫療數據分析、醫學圖像處理和深度學習應用相關研究與工作。著有《深度學習筆記》一書，也是機器學習實驗室的主持人。
目錄大綱
第一部分：入門篇
第 1 章 機器學習預備知識
第二部分：監督學習單模型
第 2 章 線性迴歸
第 3 章 邏輯迴歸
第 4 章 迴歸模型擴展
第 5 章 線性判別分析
第 6 章 k 近鄰演算法
第 7 章 決策樹
第 8 章 神經網路
第 9 章 支援向量機
第三部分：監督學習整合模型
第 10 章 AdaBoost
第 11 章 GBDT
第 12 章 XGBoost
第 13 章 LightGBM
第 14 章 CatBoost
第 15 章 隨機森林
第 16 章 整合學習：對比與調參
第四部分：無監督學習模型
第 17 章 聚類分析與 k 均值聚類演算法
第 18 章 主成分分析
第 19 章 奇異值分解
第五部分：機率模型
第 20 章 最大訊息熵模型
第 21 章 貝氏機率模型
第 22 章 EM 演算法
第 23 章 隱馬可夫模型
第 24 章 條件隨機場
第 25 章 馬可夫鏈蒙地卡羅方法
第六部分：總結
第 26 章 機器學習模型總結
參考文獻
