章節說明:第一章 向量、矩陣與陣列
第二章 載入數據
第三章 資料整理
第四章 處理數值資料
第五章 處理類型資料
第六章 處理文本
第七章 處理日期時間
第八章 處理影像
第九章 運用特徵提取降維
第十章 運用特徵選取降維
第十一章 模型評估
第十二章 模型選取
第十三章 線性迴歸
第十四章 樹與林
第十五章 K 最近鄰
第十六章 邏輯迴歸
第十七章 支持向量機
第十八章 樸素貝氏分類
第十九章 分群
第二十章 類神經網路
第二十一章 儲存與載入完訓模型
作者：Chris Albon
優惠價： 95 折， NT$ 551 NT$ 580
運送方式：超商取貨、宅配取貨
銷售地區：全球
訂購後，立即為您進貨
內容簡介:涵蓋預處理到深度學習的實務處方
“Chris巧妙地運用技術處方式的書籍特質，不僅讓經驗豐富的專業人士有可以參考的材料，對初學者而言，本書也是易於瞭解學習的濃縮入門課程。無論是要作為應徵資料科學家時，準備面試的複習材料，亦或是書案前的簡潔、完整參考資料，本書都是極具參考價值的資源。”
-Justin Bozonier
Grubhub主任資料科學家
這本實務指南提供近200個完整的處方，協助您克服日常工作上可能會遭遇到的機器學習障礙。若您已能自如運用Python與包括pandas與scikit-learn在內的程式庫，就可處理如資料載入、處理文字或數值資料、模型選擇、降維與其他的許多問題。
每一個處方中都有您可以複製進玩具資料集中的程式碼，供您實際操作使用。以之為起點，您可以在其中加入、組合或調整這些程式碼，以架構出應用程式。處方中也會有討論的部份，說明解方的運作情形並提供相關的背景知識。這本錦囊妙計將透過提供必要零件的方式，讓您在理論與概念上，建構出有效的機器學習應用。
您可以在本書中找到處理下列主題的處方：
。向量、矩陣與陣列
。處理數值與分類資料、文字、影像與日期時間
。透過特徵提取或特徵選取方法進行降維
。模型評估與選擇
。線性與邏輯迴歸、樹與林以及k最近鄰
。支持向量機(SVM)、樸素貝氏分類、分群與類神經網路
。儲存與載入完訓模型
※ 二手徵求後，有綁定line通知的讀者，
該二手書結帳減2元。(減2元可累加)
請在手機上開啟Line應用程式，點選搜尋欄位旁的掃描圖示
即可掃描此ORcode
2025專利防護中