具体描述
Python Machine Learning
「机器学习」（machine learning）已是一门改变资料分析方式的重要学科，而本书将引领你进入预测性分析的世界，透过在科学领域已应用得相当广泛的 Python 程式语言进行实作。
借 由本书，可以帮助你对资料分析的方式做出最佳决策，或是用于提昇机器学习系统的效能。内容包含 scikit-learn、Theano 及 Keras 等一系列强大的 Python 函式库，并为情绪分析、类神经网路等议题提供指引与诀窍。综合本书所学知识后，便能够为你的组织或研究提供最佳解答。
你能够从本书学习到
•探索各种不同的机器学习模型，为你的需求提供多种解决方案。
•利用 Theano 与 Keras 建构类神经网路运算。
•撰写清晰、优雅的 Python 程式码，使演算法效益最大化。
•将机器学习模型嵌入于 Web 应用程式之中。
•透过回归分析来预测连续性目标的结果。
•借由集群分析发掘隐藏的资料模式与结构。
•利用高效率的预处理技术来组织资料，并应用最佳实践来评估机器学习模型。
•深入探索文字资料及社群媒体资料以实现情绪分析。
适用读者
期望运用 Python 程式语言，从大量资料中取得重要资讯之人士。无论是初次踏入资料科学的领域，还是已具备相关经验，本书都可作为实用的重点参考资源。
「机器学习」（machine learning）已是一门改变资料分析方式的重要学科，而本书将引领你进入预测性分析的世界，透过在科学领域已应用得相当广泛的 Python 程式语言进行实作。
借 由本书，可以帮助你对资料分析的方式做出最佳决策，或是用于提昇机器学习系统的效能。内容包含 scikit-learn、Theano 及 Keras 等一系列强大的 Python 函式库，并为情绪分析、类神经网路等议题提供指引与诀窍。综合本书所学知识后，便能够为你的组织或研究提供最佳解答。
你能够从本书学习到
•探索各种不同的机器学习模型，为你的需求提供多种解决方案。
•利用 Theano 与 Keras 建构类神经网路运算。
•撰写清晰、优雅的 Python 程式码，使演算法效益最大化。
•将机器学习模型嵌入于 Web 应用程式之中。
•透过回归分析来预测连续性目标的结果。
•借由集群分析发掘隐藏的资料模式与结构。
•利用高效率的预处理技术来组织资料，并应用最佳实践来评估机器学习模型。
•深入探索文字资料及社群媒体资料以实现情绪分析。
适用读者
期望运用 Python 程式语言，从大量资料中取得重要资讯之人士。无论是初次踏入资料科学的领域，还是已具备相关经验，本书都可作为实用的重点参考资源。
著者信息
作者简介
Sebastian Raschka
Sebastian Raschka 为密西根州立大学博士生。
Sebastian Raschka
Sebastian Raschka 为密西根州立大学博士生。
图书目录
•01 赋予电脑从数据中学习的能力
•02 训练机器学习的分类演算法
•03 使用 scikit-learn 巡览机器学习分类器
•04 建构良好的训练数据集——数据预处理
•05 降维来压缩数据
•06 学习模型评估和超参数调校的最佳实作
•07 结合不同模型来做整体学习
•08 将机器学习应用于情绪分析
•09 在 Web 应用程式上嵌入机器学习模型
•10 以回归分析预测连续目标变量
•11 使用未标记的数据——集群分析
•12 训练类神经网路来做图形识别
•13 以 Theano 平行化地训练类神经网路
•02 训练机器学习的分类演算法
•03 使用 scikit-learn 巡览机器学习分类器
•04 建构良好的训练数据集——数据预处理
•05 降维来压缩数据
•06 学习模型评估和超参数调校的最佳实作
•07 结合不同模型来做整体学习
•08 将机器学习应用于情绪分析
•09 在 Web 应用程式上嵌入机器学习模型
•10 以回归分析预测连续目标变量
•11 使用未标记的数据——集群分析
•12 训练类神经网路来做图形识别
•13 以 Theano 平行化地训练类神经网路
图书序言
图书试读
用户评价
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 ttbooks.qciss.net All Rights Reserved. 小特书站 版权所有