防詐3要訣：不聽信、不操作、掛斷電話 
9
540486
查詢門市庫存
內容簡介
機器學習需要一條脫離過高理論門檻的入門之路。本書繞過理論障礙，打通了一條由淺入深的機器學習之路。豐富的實戰案例講解，介紹如何將機器學習技術運用到股票量化交易、圖片渲染、圖片識別等領域。本書包含兩部分：機器學習篇和深度學習篇。機器學習篇，主要從零開始，介紹什麼是資料特徵、機器學習模型，如何訓練模型、偵錯模型，以及如何評估模型的成績。透過一些簡單的工作實例，說明在使用模型時如何分析並處理工作資料的特徵，如何組合多個模型共同完成工作，並嘗試將機器學習技術運用到股票交易中，重複熟悉這些技術的同時，感受機器學習技術在落實到專業領域時常犯的錯誤。深度學習篇，則主要介紹一些很基礎的深度學習模型，如DNN、CNN 等，簡單涵蓋一些RNN 的概念描述。我們更關注模型的直觀原理和背後的生物學設計理念，希望讀者能夠帶著這些了解，直接上手應用深度學習架構。本書適合有Python程式設計能力的讀者。如果讀者有簡單的數學基礎，了解機率、矩陣則更佳。使用過Numpy、pandas 等資料處理工具的讀者讀起來也會更輕鬆，但這些都不是必需的。
產品目錄
前言
第一篇 機器學習篇
第1章 初識機器學習
1.1 機器學習——指定機器「學習」的靈魂
1.2 KNN——相似的鄰居請投票
1.3 邏輯分類I：線性分類模型
1.4 邏輯分類II：線性分類模型
第2章 機器學習進階
2.1 特徵工程
2.2 偵錯模型
2.3 分類模型評估指標
2.4 回歸模型
2.5 決策樹模型
2.6 模型融合
第3章 實戰：股票量化
3.1 第一步：建置童話世界
3.2 第二步：應用機器學習
3.3 第三步：在真實世界應用機器學習
第二篇 深度學習篇
第4章 深度學習：背景和工具
4.1 背景
4.2 深度學習架構簡介
4.3 深度學習架構快速上手
4.4 Caffe 實現邏輯分類模型
第5章 深層學習模型
5.1 解密生物智慧
5.2 DNN神經網路模型
5.3 神經元的深層網路結構
5.4 典型的DNN 深層網路模型：MLP
5.5 Caffe 實現MLP
第6章 學習空間特徵
6.1 前置處理空間資料
6.2 描述圖片的空間特徵：特徵圖
6.3 CNN 模型I：旋積神經網路原理
6.4 CNN 模型II：圖片識別
6.5 CNN 的實現模型
6.6 微訓練模型（Fine-Tuning）
第7章 Caffe 實例：狗狗品種辨別
7.1 準備圖片資料
7.2 訓練模型
7.3 使用產生的模型進行分類
第8章 漫談時間序列模型
8.1 Embedding
8.2 輸出序列的模型
8.3 深度學習：原理篇歸納
第9章 用深度學習做個藝術畫家：模仿實現prisma
9.1 機器學習初探藝術作畫
9.2 實現秒級藝術作畫
附錄A 機器學習環境部署
附錄B 深度學習環境部署
附錄C 隨書程式執行環境部署
第一篇 機器學習篇
第1章 初識機器學習
1.1 機器學習——指定機器「學習」的靈魂
1.2 KNN——相似的鄰居請投票
1.3 邏輯分類I：線性分類模型
1.4 邏輯分類II：線性分類模型
第2章 機器學習進階
2.1 特徵工程
2.2 偵錯模型
2.3 分類模型評估指標
2.4 回歸模型
2.5 決策樹模型
2.6 模型融合
第3章 實戰：股票量化
3.1 第一步：建置童話世界
3.2 第二步：應用機器學習
3.3 第三步：在真實世界應用機器學習
第二篇 深度學習篇
第4章 深度學習：背景和工具
4.1 背景
4.2 深度學習架構簡介
4.3 深度學習架構快速上手
4.4 Caffe 實現邏輯分類模型
第5章 深層學習模型
5.1 解密生物智慧
5.2 DNN神經網路模型
5.3 神經元的深層網路結構
5.4 典型的DNN 深層網路模型：MLP
5.5 Caffe 實現MLP
第6章 學習空間特徵
6.1 前置處理空間資料
6.2 描述圖片的空間特徵：特徵圖
6.3 CNN 模型I：旋積神經網路原理
6.4 CNN 模型II：圖片識別
6.5 CNN 的實現模型
6.6 微訓練模型（Fine-Tuning）
第7章 Caffe 實例：狗狗品種辨別
7.1 準備圖片資料
7.2 訓練模型
7.3 使用產生的模型進行分類
第8章 漫談時間序列模型
8.1 Embedding
8.2 輸出序列的模型
8.3 深度學習：原理篇歸納
第9章 用深度學習做個藝術畫家：模仿實現prisma
9.1 機器學習初探藝術作畫
9.2 實現秒級藝術作畫
附錄A 機器學習環境部署
附錄B 深度學習環境部署
附錄C 隨書程式執行環境部署
作者介紹
■作者簡介
阿布
多年互聯網金融技術經驗，曾就職於奇虎360、百度互聯網證券、百度金融等互聯網型金融公司，現為自由職，個人量化交易者，擅長個人中小資金量化交易領域系統開發，以及為中小型量化私募資金提供技術解決方案、技術支援、量化培訓等工作。
胥嘉幸
北京大學碩士，先後任職百度金融證券、百度糯米搜索部門。致力於大數據機器學習方面的研究，有深厚的數學功底和理論支撐。將機器學習技術融於傳統金融量化領域方面頗有研究。
規格
誠品貨碼 / 2681536255003
ISBN13 / 9789863796060
ISBN10 / 9863796069
EAN貨碼 / 9789863796060
頁數 / 416
注音版 / 否
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23X17CM
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