運用測試驅動開發
本書能讓讀者有自信的將機器學習實現於日常應用，而無需具備相關學術背景。這本實用指南向讀者呈現如何於程式碼中整合並測試機器學習演算法。
書中以圖例搭配文字說明，並提供對應的範例程式。利用Python的NumPy、Pandas、Scikit-Learn與SciPy資料科學函式庫實現相關的應用與測試。如果您是對資料科學有興趣的軟體工程師或商務分析師，本書將能提供以下協助：
‧透過實務案例及練習驗證每個演算法
‧於撰寫軟體程式前，利用測試驅動開發(TDD)編寫及執行對應的測試項目
‧探索用於改善機器學習模型的資料萃取與特徵發展技術
‧評估機器學習的風險，例如資料的過度配適與配適不足
‧運用K最近鄰、類神經網路、分群以及其他相關演算法
作者簡介：
Matthew Kirk 擅長將Ruby與Python應用於機器學習和資料科學領域的軟體顧問及國際講者，同時也是位作家，目前居住在西雅圖。樂於協助軟體工程師們將資料科學整合到技術堆疊中。讀者可造訪作者網站www.matthewkirk.com，獲得更多與機器學習相關的學習資源。
目錄
第一章 大致接近正確的軟體
第二章 機器學習速覽
第三章 K-最近鄰法
第四章 單純貝氏分類
第五章 決策樹與隨機森林
第六章 隱馬可夫模型
第七章 支持向量機
第八章 類神經網路
第九章 分群
第十章 資料萃取與模型改善
第十一章 全書總結
第一章 大致接近正確的軟體
第二章 機器學習速覽
第三章 K-最近鄰法
第四章 單純貝氏分類
第五章 決策樹與隨機森林
第六章 隱馬可夫模型
第七章 支持向量機
第八章 類神經網路
第九章 分群
第十章 資料萃取與模型改善
第十一章 全書總結
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。
2024專利防護中