scikit-learn 機器學習, 2/e (Mastering Machine Learning with scikit-learn, 2/e)
[美]加文·海克(Gavin Hackeling) 張浩然
- 出版商: 人民郵電
- 出版日期: 2019-06-01
- 定價: $354
- 售價: 8.5 折 $301
- 語言: 簡體中文
- 頁數: 199
- ISBN: 7115503400
- ISBN-13: 9787115503404
-
相關分類:
Machine Learning
- 此書翻譯自: Mastering Machine Learning with scikit-learn, 2/e (Paperback)
-
相關翻譯:
scikit-learn 新手的晉級:實作各種機器學習解決方案 (Mastering Machine Learning with scikit-learn, 2/e) (繁中版)
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
機器學習實戰$414$393 -
機器學習$648$616 -
駭客退散!站長、網管一定要知道的網站漏洞診斷術$480$379 -
初探機器學習|使用 Python (Thoughtful Machine Learning with Python)$480$379 -
$374機器學習實踐指南 -
Python 機器學習, 2/e (Python Machine Learning, 2/e)$690$538 -
$714機器學習實戰:基於 Scikit-Learn 和 TensorFlow (Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems) -
Python 資料分析, 2/e (Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, 2/e)$880$695 -
$374Python機器學習 -
$403深度學習實踐 : 計算機視覺 -
$505從機器學習到深度學習:基於scikit-learn與TensorFlow的高效開發實戰 -
打下最紮實的 AI 基礎:從 scikit-learn 一步一腳印$560$476 -
世界第一簡單機器學習$320$272 -
Python 機器學習與深度學習特訓班:看得懂也會做的 AI人工智慧實戰 (附120分鐘影音教學/範例程式)$520$411 -
統計強化學習:現代機器學習方法 (Statistical Reinforcement Learning: Modern Machine Learning Approaches)$474$450 -
$352機器學習:算法背後的理論與優化 -
$434動手學深度學習 -
精通特徵工程 (Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists)$354$336 -
$505機器學習基礎 -
$422Python 機器學習手冊:從數據預處理到深度學習 (Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning) -
Python 機器學習錦囊妙計 (Machine Learning with Python Cookbook)$580$458 -
$327Python數據預處理技術與實踐 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
$199漏洞掃描與防護實驗指導 -
非監督式學習|使用 Python (Hands-On Unsupervised Learning Using Python)$680$537
商品描述
近年來,Python語言成為了廣受歡迎的編程語言,而它在機器學習領域也有很好的表現。scikit-learn是一個用Python語言編寫的機器學習算法庫,它可以實現一系列常用的機器學習算法,是一個好工具。
本書通過14章內容,詳細地介紹了一系列機器學習模型和scikit-learn的使用技巧。本書從機器學習的基礎理論講起,涵蓋了簡單線性回歸、K-近鄰算法、特徵提取、多元線性回歸、邏輯回歸、樸素貝葉斯、非線性分類、決策樹回歸、隨機森林、感知機、支持向量機、人工神經網絡、K-均值算法、主成分分析等重要話題。
本書適合機器學習領域的工程師學習,也適合想要瞭解scikit-learn的數據科學家閱讀。通過閱讀本書,讀者將有效提升自己在機器學習模型的構建和評估方面的能力,並能夠高效地解決機器學習難題。
目錄大綱
版權
版權聲明
內容提要
作者簡介
審稿人簡介
前言
資源與支持
第1章機器學習基礎
第2章簡單線性回歸
第3章用K-近鄰算法分類和回歸
第4章特徵提取
第5章從簡單線性回歸到多元線性回歸
第6章從線性回歸到邏輯回歸
第7章樸素貝葉斯
第8章非線性分類和決策樹回歸
第9章集成方法:從決策樹到隨機森林
第10章感知機
第11章從感知機到支持向量機
第12章從感知機到人工神經網絡
第13章K-均值算法
第14章使用主成分分析降維
第14章使用主成分分析降維


