Python Machine Learning
「機器學習」（machine learning）已是一門改變資料分析方式的重要學科，而本書將引領你進入預測性分析的世界，透過在科學領域已應用得相當廣泛的 Python 程式語言進行實作。
藉 由本書，可以幫助你對資料分析的方式做出最佳決策，或是用於提昇機器學習系統的效能。內容包含 scikit-learn、Theano 及 Keras 等一系列強大的 Python 函式庫，並為情緒分析、類神經網路等議題提供指引與訣竅。綜合本書所學知識後，便能夠為你的組織或研究提供最佳解答。
你能夠從本書學習到
• 探索各種不同的機器學習模型，為你的需求提供多種解決方案。
• 利用 Theano 與 Keras 建構類神經網路運算。
• 撰寫清晰、優雅的 Python 程式碼，使演算法效益最大化。
• 將機器學習模型嵌入於 Web 應用程式之中。
• 透過迴歸分析來預測連續性目標的結果。
• 藉由集群分析發掘隱藏的資料模式與結構。
• 利用高效率的預處理技術來組織資料，並應用最佳實踐來評估機器學習模型。
• 深入探索文字資料及社群媒體資料以實現情緒分析。
適用讀者
期望運用 Python 程式語言，從大量資料中取得重要資訊之人士。無論是初次踏入資料科學的領域，還是已具備相關經驗，本書都可作為實用的重點參考資源。
作者簡介：
Sebastian Raschka 為密西根州立大學博士生。
目錄
• 01 賦予電腦從數據中學習的能力
• 02 訓練機器學習的分類演算法
• 03 使用 scikit-learn 巡覽機器學習分類器
• 04 建構良好的訓練數據集——數據預處理
• 05 降維來壓縮數據
• 06 學習模型評估和超參數調校的最佳實作
• 07 結合不同模型來做整體學習
• 08 將機器學習應用於情緒分析
• 09 在 Web 應用程式上嵌入機器學習模型
• 10 以迴歸分析預測連續目標變量
• 11 使用未標記的數據——集群分析
• 12 訓練類神經網路來做圖形識別
• 13 以 Theano 平行化地訓練類神經網路
• 01 賦予電腦從數據中學習的能力
• 02 訓練機器學習的分類演算法
• 03 使用 scikit-learn 巡覽機器學習分類器
• 04 建構良好的訓練數據集——數據預處理
• 05 降維來壓縮數據
• 06 學習模型評估和超參數調校的最佳實作
• 07 結合不同模型來做整體學習
• 08 將機器學習應用於情緒分析
• 09 在 Web 應用程式上嵌入機器學習模型
• 10 以迴歸分析預測連續目標變量
• 11 使用未標記的數據——集群分析
• 12 訓練類神經網路來做圖形識別
• 13 以 Theano 平行化地訓練類神經網路
購物須知
退換貨說明：
會員均享有10天的商品猶豫期（含例假日）。若您欲辦理退換貨，請於取得該商品10日內寄回。
辦理退換貨時，請保持商品全新狀態與完整包裝（商品本身、贈品、贈票、附件、內外包裝、保證書、隨貨文件等）一併寄回。若退回商品無法回復原狀者，可能影響退換貨權利之行使或須負擔部分費用。
訂購本商品前請務必詳閱退換貨原則。
2025專利防護中