機器學習: 使用Python進行預測分析的基本技術 | 誠品線上

Machine Learning in Python: Essential Techniques for Predictive Analysis

內容簡介

內容簡介 以簡單有效率的方式分析資料與預測結果機器學習的目的是預測，使用你已經知道的來預測你想要知道的—根據這兩者之間的歷史關係。它的核心是一種數學 演算法技術，你需要深入瞭解數學與統計學概念，並熟悉 R 與其他專用語言。本書為廣大的讀者簡化機器學習技術，把焦點放在兩種可以有效地預測結果的演算法族群，告訴你如何透過熱門且容易上手的 Python 程式語言來使用它們。作者 Michael Bowles 具備多年的機器學習經驗，將帶領你設計、建構與使用自己的機器學習解決方案。他會用很簡單的方式來解釋演算法，不會使用複雜的數學，並提供範例程式，來協助你盡早上手。你將會深入鑽研建構機制，學習如何選擇與使用最能夠解決手上問題的演算法，無論你的問題簡單或複雜。這本書會透過詳細的範例，以具體、可修改的程式來說明機制，並說明線性迴歸與整體方法，協助你瞭解機器學習的基礎工作程序。這些方法都很有效率，而且經過測試，它們的結果可說明一切。本書不需要你具備專業的數學或統計學背景，將會告訴你如何：．選擇正確的演算法來完成你的工作 ．學習機制與準備資料．掌握核心的 Python 機器學習套件 ．建構多功能、有效的預測模型．將訓練好的模型實際應用在各種用途．計算模型效能，以取得更好的 QC 與應用．使用書中的範例程式來設計與建構你自己的模型

作者介紹

作者介紹 MICHAEL BOWLES 目前在矽谷的 Hacker Dojo 教導機器學習，擔任機器學習專案的顧問，並且與一些有關生物訊息與高頻率交易的創業公司合作。Michael 曾在 MIT 擔任助理教授，之後自行創業，開創兩家矽谷的公司，這兩家公司都已成為上市公司。他在 Hacker Dojo 舉辦的課程幾乎都會銷售一空，佳評如潮。

產品目錄

產品目錄 簡介Chapter 1 進行預測的兩種基本演算法為什麼這兩種演算法這麼好用？什麼是懲罰迴歸方法？什麼是整體方法？如何選擇演算法建構預測模型的步驟章節的內容與彼此的關係總結Chapter 2 藉由瞭解資料來瞭解問題剖析新問題分類問題：使用聲納來偵測未爆水雷將“岩石與水雷”資料集的屬性視覺化使用因素變數來做實值預測：你的鮑魚多大了？使用實值屬性來做實值預測：算出酒的口感多類別分類問題：那是哪一種玻璃？總結Chapter 3 建構預測模型：在效能、複雜度與巨量資料之間取得平衡基本問題：瞭解函數逼近影響演算法選擇與效能的因素—複雜性與資料評量預測模型的效能讓模型與資料和諧共存總結Chapter 4 懲罰線性迴歸 為什麼懲罰線性迴歸很好用懲罰線性迴歸：最佳效能的一般線性迴歸解決懲罰線性迴歸問題使用輸值輸入來延伸線性迴歸總結Chapter 5 使用懲罰線性方法來建構預測模型Python 的懲罰線性迴歸套件多變數迴歸：預測酒味二元分類：使用懲罰線性迴歸來偵測未爆水雷多類別分類：分類犯罪現場的玻璃樣本總結Chapter 6 整體方法二元決策樹Bootstrap Aggregation :“Bagging”Gradient BoostingRandom Forest總結Chapter 7 使用 Python 來建構整體模型使用 Python 整體套件來處理迴歸問題編寫 Bagging 來預測酒的品質在 Python 整體模型中，使用非數值屬性使用 Python 整體方法來處理二元分類問題使用 Python 整體方法來處理多類別分類問題演算法比較總結索引

商品規格