防詐3要訣：不聽信、不操作、掛斷電話 
集成式學習: Python實踐! 整合全部技術, 打造最強模型
Hands-On Ensemble Learning with Python: Build Highly Optimized Ensemble Machine Learning Models Using Scikit-Learn and Keras
79
750592
查詢門市庫存
● 繁體中文第 1 本集成式學習專書，告訴你不要再傻傻地只選一個模型
● 完整介紹集成式學習中常見的演算法，包含極端隨機樹、堆疊法、自助聚合法、提升法等
● 一書掌握實作集成式學習的必備套件，如 Scikit-Learn、OpenEnsembles、XGBoost 等
● 完整介紹集成式學習中常見的演算法，包含極端隨機樹、堆疊法、自助聚合法、提升法等
● 一書掌握實作集成式學習的必備套件，如 Scikit-Learn、OpenEnsembles、XGBoost 等
產品目錄
目錄:
前言
第一篇 機器學習基礎知識
第 1 章 機器學習的概念
1.1 資料集
1.2 監督式學習與非監督式學習
13 效能指標（Performance Measures）
1.4 模型驗證（Validation）
1.5 機器學習演算法
1.6 小結
第 2 章 初探集成式學習（Ensemble Learning）
2.1 何謂偏誤與變異
2.2 評估偏誤與變異
2.3 集成式學習（Ensemble Learning）
2.4 小結
第二篇 非生成式演算法
第 3 章 投票法（Voting）
3.1 多數決投票
3.2 使用 Python 實作硬投票
3.3 使用 Python 實作軟投票
3.4 小編補充：加權軟投票
3.5 小結
第 4 章 堆疊法（Stacking）
4.1 超學習（Meta-learning）
4.2 超學習器的訓練資料集
4.3 超學習器的測試資料集
4.4 選擇學習器（Learner）
4.5 使用堆疊法處理迴歸問題
4.6 使用堆疊法處理分類問題
4.7 建立堆疊的函式
4.8 小編補充：堆疊的其他技巧
4.9 小結
第三篇 生成式演算法
第 5 章 自助聚合法（Bootstrap Aggregation）
5.1 自助抽樣法
5.2 自助聚合法的原理
5.3 使用 Python 實作自助聚合法的完整機制
5.4 平行化（Parallelize）自助聚合法
5.5 使用 scikit-learn 提供的自助聚合法處理分類問題
5.6 使用 scikit-learn 提供的自助聚合法處理迴歸問題
5.7 小結
第 6 章 提升法（Boosting）
6.1 適應提升（Adaptive Boosting, AdaBoost）
6.2 使用 Python 實作適應提升的完整機制
6.3 使用 scikit-learn 提供的適應提升處理分類問題
6.4 使用 scikit-learn 提供的適應提升處理迴歸問題
6.5 梯度提升（Gradient Boosting）
6.6 使用 Python 實作梯度提升的完整機制
6.7 使用 scikit-learn 提供的梯度提升處理迴歸問題
68 使用 scikit-learn 提供的梯度提升處理分類問題
6.9 使用 XGBoost 提供的梯度提升處理迴歸問題
610 使用 XGBoost 提供的梯度提升處理分類問題
6.11 小結
第 7 章 隨機森林（Random Forest）
7.1 建立隨機森林
7.2 使用 scikit-learn 提供的隨機森林處理分類問題
73 使用 scikit-learn 提供的隨機森林處理迴歸問題
7.4 使用 scikit-learn 提供的極端隨機樹處理分類問題
7.5 使用 scikit-learn 提供的極端隨機樹處理迴歸問題
7.6 小結
第四篇 分群
第 8 章 分群（Clustering）
8.1 分群演算法
8.2 使用 scikit-learning 提供的 K 平均法來處理分群問題
8.3 使用投票法集成非監督式學習的基學習器
8.4 使用 OpenEnsemble 集成非監督式學習的基學習器
8.5 使用圖閉合（Graph Closure）集成非監督式學習的基學習器
8.6 使用共現鏈（Co-occurrence Linkage）集成非監督式學習的基學習器
8.7 小結
第五篇 5 個實務案例
第 9 章 檢測詐騙交易
9.1 初探資料集
9.2 探索式資料分析
9.3 投票法
9.4 堆疊法
9.5 自助聚合法
9.6 適應提升法
9.7 梯度提升法
9.8 隨機森林
9.9 不同方法的分析比較
9.10 小結
第 10 章 預測比特幣價格
10.1 時間序列資料
10.2 比特幣資料分析
10.3 建立基準模型
10.4 計算 Sharpe 值
10.5 投票法
10.6 堆疊法
10.7 自助聚合法
10.8 提升法
10.9 隨機森林
10.10 小結
第 11 章 推特（Twitter）情感分析
11.1 情感分析工具
11.2 取得 Twitter 資料
11.3 建立模型
11.4 即時分類推文
11.5 小結
第 12 章 推薦電影
12.1 推薦系統
12.2 神經網路推薦系統
12.3 使用 Keras 實作使用點積的神經網路
12.4 使用 Keras 實作自行探索網路結構的神經網路
12.5 集成多個神經網路，建立推薦系統
12.6 小編補充：集成神經網路的參數
12.7 小結
第 13 章 世界幸福報告分群
13.1 世界幸福報告
13.2 使用原始特徵建立集成模型
13.3 使用正規化特徵建立集成模型
13.4 使用 t-分布隨機鄰居嵌入降維後特徵建立集成模型
13.5 觀察分群結果
13.6 小結
後記
前言
第一篇 機器學習基礎知識
第 1 章 機器學習的概念
1.1 資料集
1.2 監督式學習與非監督式學習
13 效能指標（Performance Measures）
1.4 模型驗證（Validation）
1.5 機器學習演算法
1.6 小結
第 2 章 初探集成式學習（Ensemble Learning）
2.1 何謂偏誤與變異
2.2 評估偏誤與變異
2.3 集成式學習（Ensemble Learning）
2.4 小結
第二篇 非生成式演算法
第 3 章 投票法（Voting）
3.1 多數決投票
3.2 使用 Python 實作硬投票
3.3 使用 Python 實作軟投票
3.4 小編補充：加權軟投票
3.5 小結
第 4 章 堆疊法（Stacking）
4.1 超學習（Meta-learning）
4.2 超學習器的訓練資料集
4.3 超學習器的測試資料集
4.4 選擇學習器（Learner）
4.5 使用堆疊法處理迴歸問題
4.6 使用堆疊法處理分類問題
4.7 建立堆疊的函式
4.8 小編補充：堆疊的其他技巧
4.9 小結
第三篇 生成式演算法
第 5 章 自助聚合法（Bootstrap Aggregation）
5.1 自助抽樣法
5.2 自助聚合法的原理
5.3 使用 Python 實作自助聚合法的完整機制
5.4 平行化（Parallelize）自助聚合法
5.5 使用 scikit-learn 提供的自助聚合法處理分類問題
5.6 使用 scikit-learn 提供的自助聚合法處理迴歸問題
5.7 小結
第 6 章 提升法（Boosting）
6.1 適應提升（Adaptive Boosting, AdaBoost）
6.2 使用 Python 實作適應提升的完整機制
6.3 使用 scikit-learn 提供的適應提升處理分類問題
6.4 使用 scikit-learn 提供的適應提升處理迴歸問題
6.5 梯度提升（Gradient Boosting）
6.6 使用 Python 實作梯度提升的完整機制
6.7 使用 scikit-learn 提供的梯度提升處理迴歸問題
68 使用 scikit-learn 提供的梯度提升處理分類問題
6.9 使用 XGBoost 提供的梯度提升處理迴歸問題
610 使用 XGBoost 提供的梯度提升處理分類問題
6.11 小結
第 7 章 隨機森林（Random Forest）
7.1 建立隨機森林
7.2 使用 scikit-learn 提供的隨機森林處理分類問題
73 使用 scikit-learn 提供的隨機森林處理迴歸問題
7.4 使用 scikit-learn 提供的極端隨機樹處理分類問題
7.5 使用 scikit-learn 提供的極端隨機樹處理迴歸問題
7.6 小結
第四篇 分群
第 8 章 分群（Clustering）
8.1 分群演算法
8.2 使用 scikit-learning 提供的 K 平均法來處理分群問題
8.3 使用投票法集成非監督式學習的基學習器
8.4 使用 OpenEnsemble 集成非監督式學習的基學習器
8.5 使用圖閉合（Graph Closure）集成非監督式學習的基學習器
8.6 使用共現鏈（Co-occurrence Linkage）集成非監督式學習的基學習器
8.7 小結
第五篇 5 個實務案例
第 9 章 檢測詐騙交易
9.1 初探資料集
9.2 探索式資料分析
9.3 投票法
9.4 堆疊法
9.5 自助聚合法
9.6 適應提升法
9.7 梯度提升法
9.8 隨機森林
9.9 不同方法的分析比較
9.10 小結
第 10 章 預測比特幣價格
10.1 時間序列資料
10.2 比特幣資料分析
10.3 建立基準模型
10.4 計算 Sharpe 值
10.5 投票法
10.6 堆疊法
10.7 自助聚合法
10.8 提升法
10.9 隨機森林
10.10 小結
第 11 章 推特（Twitter）情感分析
11.1 情感分析工具
11.2 取得 Twitter 資料
11.3 建立模型
11.4 即時分類推文
11.5 小結
第 12 章 推薦電影
12.1 推薦系統
12.2 神經網路推薦系統
12.3 使用 Keras 實作使用點積的神經網路
12.4 使用 Keras 實作自行探索網路結構的神經網路
12.5 集成多個神經網路，建立推薦系統
12.6 小編補充：集成神經網路的參數
12.7 小結
第 13 章 世界幸福報告分群
13.1 世界幸福報告
13.2 使用原始特徵建立集成模型
13.3 使用正規化特徵建立集成模型
13.4 使用 t-分布隨機鄰居嵌入降維後特徵建立集成模型
13.5 觀察分群結果
13.6 小結
後記
作者介紹
George Kyriakides
希臘馬其頓大學計算機方法與應用碩士畢業，目前為研究員。研究領域包含分散式神經網路架構、自動化生成及最佳化預測模型於影像辨識、時間序列資料、以及商業應用等。
Konstantinos G. Margaritis
英國羅浮堡大學應用資訊工程博士畢業，目前為希臘馬其頓大學應用資訊系教授。資訊工程的教學經驗長達 30 年，研究領域為平行及分散式智慧運算與機器學習。
希臘馬其頓大學計算機方法與應用碩士畢業，目前為研究員。研究領域包含分散式神經網路架構、自動化生成及最佳化預測模型於影像辨識、時間序列資料、以及商業應用等。
Konstantinos G. Margaritis
英國羅浮堡大學應用資訊工程博士畢業，目前為希臘馬其頓大學應用資訊系教授。資訊工程的教學經驗長達 30 年，研究領域為平行及分散式智慧運算與機器學習。
規格
誠品貨碼 / 2682125868000
ISBN13 / 9789863126942
ISBN10 / 9863126942
EAN貨碼 / 9789863126942
頁數 / 384
開數 / 18K
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23X17X2.3CM
級別 / N:無
退貨說明
退貨須知：
- 依照消費者保護法的規定，您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意！猶豫期非試用期)，辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當，若原紙箱已遺失，請另使用其他紙箱包覆於商品原廠包裝之外，切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度，本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費；請您先確認商品正確、外觀可接受，再行拆封，以免影響您的權利；若為產品瑕疵，本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」，下列商品不適用七日猶豫期，除產品本身有瑕疵外，不接受退貨：
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形，可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費)，或影響您的退貨權利，請您在拆封前決定是否要退貨：
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品，除商品本身有瑕疵外，退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送