從無標籤資料應用機器學習解決方案
“研究人員、工程師與學生將會喜歡這本書，因為本書充滿務實的非監督式學習技術，採用平鋪直述的方式，以及囊括了可快速練習的Python範例。”
–Sarah Nagy
Senior Data Scientist at Edison
許多專家認為非監督式學習是人工智慧的下一個前沿技術，並且是邁向強人工智慧的關鍵。由於世界上大多數資料都沒有標籤，因此無法應用傳統的監督式學習。從另一方面來說，非監督式學習則可以應用在無標籤的資料集，用以發現埋藏在資料深處裡有意義的樣式，而這些樣式幾乎不可能被人類發現。
作者Ankur Patel藉由使用兩個簡單且已經可實際運用於業務開發(production-ready)的Python框架：Scikit-learn和Keras來示範如何應用非監督式學習。透過程式碼和實際操作範例，數據科學家將從資料中識別難以發現的樣式，獲得更深入的商業洞見、檢測異常、執行自動特徵工程和特徵選擇，以及生成合成資料集。你所需要的只是程式能力和一些機器學習經驗。
‧比較不同機器學習方法的優點和缺點：監督、非監督和強化學習
‧完整地設置和管理機器學習項目
‧為信用卡詐欺建立偵測系統
‧按照相同與不相同將使用者進行分群
‧實作半監督式學習
‧使用受限玻爾茲曼機(restricted Boltzmann machine, RBM)開發電影推薦系統
‧使用生成對抗網路建立合成影像
目錄
前言
第一部分 非監督式學習的基礎
chapter 01 機器學習領域裡的非監督式學習
chapter 02 完整的機器學習專案
第二部分 使用 Scikit-Learn 開發非監督式學習
chapter 03 維度縮減
chapter 04 異常偵測
chapter 05 分群
chapter 06 群組區隔
第三部分 使用 TensorFlow 和 Keras 開發非監督式學習
chapter 07 自動編碼器（Autoencoder）
chapter 08 實際操作自動編碼器
chapter 09 半監督式學習
第四部分 使用 TensorFlow 和 Keras 開發非監督式深度學習模型
chapter 10 推薦系統使用受限波爾茲曼機
chapter 11 使用深度信念網路（DBNs）進行特徵偵測
chapter 12 生成對抗網路
chapter 13 時序型資料分群法
chapter 14 結論
索引
前言
第一部分 非監督式學習的基礎
chapter 01 機器學習領域裡的非監督式學習
chapter 02 完整的機器學習專案
第二部分 使用 Scikit-Learn 開發非監督式學習
chapter 03 維度縮減
chapter 04 異常偵測
chapter 05 分群
chapter 06 群組區隔
第三部分 使用 TensorFlow 和 Keras 開發非監督式學習
chapter 07 自動編碼器（Autoencoder）
chapter 08 實際操作自動編碼器
chapter 09 半監督式學習
第四部分 使用 TensorFlow 和 Keras 開發非監督式深度學習模型
ch...
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