防詐3要訣：不聽信、不操作、掛斷電話 
9
500450
查詢門市庫存
使用 Python 程式語言實作機器學習基礎理論的入門書，均衡涵蓋程式套件應用與理論推導，透過本書讀者能夠按圖索驥，走出機器學習新手村，成功一轉！
❶ 先使用套件現成類別與函式
&#...
❶ 先使用套件現成類別與函式
&#...
內容簡介
使用 Python 程式語言實作機器學習基礎理論的入門書，均衡涵蓋程式套件應用與理論推導，透過本書讀者能夠按圖索驥，走出機器學習新手村，成功一轉！
❶ 先使用套件現成類別與函式
❷ 再認識演算方法理論與推導
❸ 最後使用自行定義類別重現
內容簡介
本書內容改編自第 8 屆 iT 邦幫忙鐵人賽，Big Data 組冠軍網路系列文章──《 R 語言使用者的 Python 學習筆記》，從系列文章中後段開始改寫，省略了原本 Python 基礎語法、網頁資料擷取（俗稱爬蟲）與 Pandas 的章節，著重在以 NumPy、Matplotlib、Scikit-Learn 入門機器學習基礎理論的部分，並與作者的實體課程 (台大工商管理學系、台大資工系統訓練班與中華電信學院等資料科學課程) 教材整合編修而成。
三大重點
❶ 先使用套件現成類別與函式
☛NumPy 的 N 維陣列操作與運算
☛物件導向風格的 Matplotlib 視覺化
☛Scikit-Learn 的五個核心理念
☛Keras 的模型建立步驟
❷ 再認識演算方法理論與推導
☛均方誤差函式
☛梯度遞減演算方法
☛交叉熵函式
☛前向傳播與反向傳播
❸ 最後使用自行定義類別重現
☛正規方程類別
☛梯度遞減類別與 AdaGrad 類別
☛羅吉斯迴歸類別
☛深度學習類別
❶ 先使用套件現成類別與函式
❷ 再認識演算方法理論與推導
❸ 最後使用自行定義類別重現
內容簡介
本書內容改編自第 8 屆 iT 邦幫忙鐵人賽，Big Data 組冠軍網路系列文章──《 R 語言使用者的 Python 學習筆記》，從系列文章中後段開始改寫，省略了原本 Python 基礎語法、網頁資料擷取（俗稱爬蟲）與 Pandas 的章節，著重在以 NumPy、Matplotlib、Scikit-Learn 入門機器學習基礎理論的部分，並與作者的實體課程 (台大工商管理學系、台大資工系統訓練班與中華電信學院等資料科學課程) 教材整合編修而成。
三大重點
❶ 先使用套件現成類別與函式
☛NumPy 的 N 維陣列操作與運算
☛物件導向風格的 Matplotlib 視覺化
☛Scikit-Learn 的五個核心理念
☛Keras 的模型建立步驟
❷ 再認識演算方法理論與推導
☛均方誤差函式
☛梯度遞減演算方法
☛交叉熵函式
☛前向傳播與反向傳播
❸ 最後使用自行定義類別重現
☛正規方程類別
☛梯度遞減類別與 AdaGrad 類別
☛羅吉斯迴歸類別
☛深度學習類別
產品目錄
CHAPTER 1 關於視覺化與機器學習
1.1 一個資料科學專案
1.2 何謂視覺化
1.3 為何視覺化
1.4 何謂機器學習
1.5 pyvizml 模組
1.6 為何機器學習
1.7 延伸閱讀
CHAPTER 2 數列運算
2.1 關於 NumPy
2.2 為何 NumPy
2.3 如何建立 ndarray
2.4 常用的 ndarray 屬性
2.5 純量、向量、矩陣與張量
2.6 ndarray 的索引
2.7 ndarray 的切割
2.8 ndarray 特別的索引
2.9 重塑外觀
2.10 複製陣列
2.11 合併陣列
2.12 通用函式
2.13 聚合函式
2.14 延伸閱讀
CHAPTER 3 資料探索
3.1 關於 Matplotlib
3.2 為何 Matplotlib
3.3 使用 Matplotlib 的兩種方式
3.4 輸出 Matplotlib 作圖
3.5 常見的探索性資料分析
3.6 觀察數值資料相關性的需求
3.7 觀察類別資料排序的需求
3.8 觀察數值資料分布的需求
3.9 觀察數學函式外觀的需求
3.10 觀察區域海拔高度的需求
3.11 顯示二維數值陣列的需求
3.12 如何為圖形增加元素
3.13 如何在圖形中加入中文字
3.14 如何繪製子圖
3.15 延伸閱讀
CHAPTER 4 機器學習入門
4.1 關於 Scikit-Learn
4.2 為何 Scikit-Learn
4.3 五個核心理念
4.4 機器學習的資料表達
4.5 Scikit-Learn 的支援場景
4.6 關於訓練、驗證與測試資料
4.7 延伸閱讀
CHAPTER 5 數值預測的任務
5.1 關於數值預測的任務
5.2 以 Scikit-Learn 預測器完成數值預測任務
5.3 正規方程 Normal Equation
5.4 自訂正規方程類別 NormalEquation
5.5 計算複雜性
5.6 梯度遞減 Gradient Descent
5.7 自訂梯度遞減類別 GradientDescent
5.8 標準化與進階的梯度遞減
5.9 延伸閱讀
CHAPTER 6 類別預測的任務
6.1 關於類別預測的任務
6.2 以 Scikit-Learn 預測器完成類別預測任務
6.3 羅吉斯迴歸
6.4 自訂羅吉斯迴歸類別 LogitReg
6.5 二元分類延伸至多元分類：One versus rest
6.6 二元分類延伸至多元分類：Softmax 函式
6.7 兩種表示類別向量的形式
6.8 延伸閱讀
CHAPTER 7 表現的評估
7.1 如何評估機器學習演算方法
7.2 評估數值預測任務的表現
7.3 評估類別預測任務的表現
7.4 自訂計算評估指標的類別 ClfMetrics
7.5 誤差的來源
7.6 減少訓練誤差
7.7 減少訓練誤差與測試誤差的間距
7.8 延伸閱讀
CHAPTER 8 深度學習入門
8.1 什麼是深度學習
8.2 為何深度學習
8.3 什麼是 Keras
8.4 為何 Keras
8.5 撰寫 Keras 的步驟
8.6 前向傳播
8.7 反向傳播
8.8 自訂深度學習類別 DeepLearning
8.9 MNIST 資料與時裝 MNIST 資料
8.10 延伸閱讀
APPENDIX A pyvizml.py
1.1 一個資料科學專案
1.2 何謂視覺化
1.3 為何視覺化
1.4 何謂機器學習
1.5 pyvizml 模組
1.6 為何機器學習
1.7 延伸閱讀
CHAPTER 2 數列運算
2.1 關於 NumPy
2.2 為何 NumPy
2.3 如何建立 ndarray
2.4 常用的 ndarray 屬性
2.5 純量、向量、矩陣與張量
2.6 ndarray 的索引
2.7 ndarray 的切割
2.8 ndarray 特別的索引
2.9 重塑外觀
2.10 複製陣列
2.11 合併陣列
2.12 通用函式
2.13 聚合函式
2.14 延伸閱讀
CHAPTER 3 資料探索
3.1 關於 Matplotlib
3.2 為何 Matplotlib
3.3 使用 Matplotlib 的兩種方式
3.4 輸出 Matplotlib 作圖
3.5 常見的探索性資料分析
3.6 觀察數值資料相關性的需求
3.7 觀察類別資料排序的需求
3.8 觀察數值資料分布的需求
3.9 觀察數學函式外觀的需求
3.10 觀察區域海拔高度的需求
3.11 顯示二維數值陣列的需求
3.12 如何為圖形增加元素
3.13 如何在圖形中加入中文字
3.14 如何繪製子圖
3.15 延伸閱讀
CHAPTER 4 機器學習入門
4.1 關於 Scikit-Learn
4.2 為何 Scikit-Learn
4.3 五個核心理念
4.4 機器學習的資料表達
4.5 Scikit-Learn 的支援場景
4.6 關於訓練、驗證與測試資料
4.7 延伸閱讀
CHAPTER 5 數值預測的任務
5.1 關於數值預測的任務
5.2 以 Scikit-Learn 預測器完成數值預測任務
5.3 正規方程 Normal Equation
5.4 自訂正規方程類別 NormalEquation
5.5 計算複雜性
5.6 梯度遞減 Gradient Descent
5.7 自訂梯度遞減類別 GradientDescent
5.8 標準化與進階的梯度遞減
5.9 延伸閱讀
CHAPTER 6 類別預測的任務
6.1 關於類別預測的任務
6.2 以 Scikit-Learn 預測器完成類別預測任務
6.3 羅吉斯迴歸
6.4 自訂羅吉斯迴歸類別 LogitReg
6.5 二元分類延伸至多元分類：One versus rest
6.6 二元分類延伸至多元分類：Softmax 函式
6.7 兩種表示類別向量的形式
6.8 延伸閱讀
CHAPTER 7 表現的評估
7.1 如何評估機器學習演算方法
7.2 評估數值預測任務的表現
7.3 評估類別預測任務的表現
7.4 自訂計算評估指標的類別 ClfMetrics
7.5 誤差的來源
7.6 減少訓練誤差
7.7 減少訓練誤差與測試誤差的間距
7.8 延伸閱讀
CHAPTER 8 深度學習入門
8.1 什麼是深度學習
8.2 為何深度學習
8.3 什麼是 Keras
8.4 為何 Keras
8.5 撰寫 Keras 的步驟
8.6 前向傳播
8.7 反向傳播
8.8 自訂深度學習類別 DeepLearning
8.9 MNIST 資料與時裝 MNIST 資料
8.10 延伸閱讀
APPENDIX A pyvizml.py
作者介紹
郭耀仁
郭耀仁
畢業自台灣大學商學研究所，現在是一名講師，在台大工商管理學系、台大資工系統訓練班與中華電信學院等機構講授資料科學課程，亦有一門 Hahow 好學校線上課程：如何成為資料分析師。
任職過上海的韓商新創、台北的美商軟體公司、銀行與美商顧問公司；閒暇時喜歡跑步與寫作部落格 Datainpoint。
在 2017 年以主題《R 語言使用者的 Python 學習筆記》獲得第 8 屆 iT 邦幫忙鐵人賽 Big Data 組冠軍。
郭耀仁
畢業自台灣大學商學研究所，現在是一名講師，在台大工商管理學系、台大資工系統訓練班與中華電信學院等機構講授資料科學課程，亦有一門 Hahow 好學校線上課程：如何成為資料分析師。
任職過上海的韓商新創、台北的美商軟體公司、銀行與美商顧問公司；閒暇時喜歡跑步與寫作部落格 Datainpoint。
在 2017 年以主題《R 語言使用者的 Python 學習筆記》獲得第 8 屆 iT 邦幫忙鐵人賽 Big Data 組冠軍。
規格
誠品貨碼 / 2681909912007
ISBN13 / 9789864345076
ISBN10 / 9864345079
EAN貨碼 / 9789864345076
頁數 / 256
注音版 / 否
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23X17CM
級別 / N:無
重量(g) / 910.6
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
