前言
第一篇 機器學習基礎知識
第 1 章 機器學習的概念
1.1 資料集
1.2 監督式學習與非監督式學習
13 效能指標（Performance Measures）
1.4 模型驗證（Validation）
1.5 機器學習演算法
1.6 小結
第 2 章 初探集成式學習（Ensemble Learning）
2.1 何謂偏誤與變異
2.2 評估偏誤與變異
2.3 集成式學習（Ensemble Learning）
2.4 小結
第二篇 非生成式演算法
第 3 章 投票法（Voting）
3.1 多數決投票
3.2 使用 Python 實作硬投票
3.3 使用 Python 實作軟投票
3.4 小編補充：加權軟投票
3.5 小結
第 4 章 堆疊法（Stacking）
4.1 超學習（Meta-learning）
4.2 超學習器的訓練資料集
4.3 超學習器的測試資料集
4.4 選擇學習器（Learner）
4.5 使用堆疊法處理迴歸問題
4.6 使用堆疊法處理分類問題
4.7 建立堆疊的函式
4.8 小編補充：堆疊的其他技巧
4.9 小結
第三篇 生成式演算法
第 5 章 自助聚合法（Bootstrap Aggregation）
5.1 自助抽樣法
5.2 自助聚合法的原理
5.3 使用 Python 實作自助聚合法的完整機制
5.4 平行化（Parallelize）自助聚合法
5.5 使用 scikit-learn 提供的自助聚合法處理分類問題
5.6 使用 scikit-learn 提供的自助聚合法處理迴歸問題
5.7 小結
第 6 章 提升法（Boosting）
6.1 適應提升（Adaptive Boosting, AdaBoost）
6.2 使用 Python 實作適應提升的完整機制
6.3 使用 scikit-learn 提供的適應提升處理分類問題
6.4 使用 scikit-learn 提供的適應提升處理迴歸問題
6.5 梯度提升（Gradient Boosting）
6.6 使用 Python 實作梯度提升的完整機制
6.7 使用 scikit-learn 提供的梯度提升處理迴歸問題
68 使用 scikit-learn 提供的梯度提升處理分類問題
6.9 使用 XGBoost 提供的梯度提升處理迴歸問題
610 使用 XGBoost 提供的梯度提升處理分類問題
6.11 小結
第 7 章 隨機森林（Random Forest）
7.1 建立隨機森林
7.2 使用 scikit-learn 提供的隨機森林處理分類問題
73 使用 scikit-learn 提供的隨機森林處理迴歸問題
7.4 使用 scikit-learn 提供的極端隨機樹處理分類問題
7.5 使用 scikit-learn 提供的極端隨機樹處理迴歸問題
7.6 小結
第四篇 分群
第 8 章 分群（Clustering）
8.1 分群演算法
8.2 使用 scikit-learning 提供的 K 平均法來處理分群問題
8.3 使用投票法集成非監督式學習的基學習器
8.4 使用 OpenEnsemble 集成非監督式學習的基學習器
8.5 使用圖閉合（Graph Closure）集成非監督式學習的基學習器
8.6 使用共現鏈（Co-occurrence Linkage）集成非監督式學習的基學習器
8.7 小結
第五篇 5 個實務案例
第 9 章 檢測詐騙交易
9.1 初探資料集
9.2 探索式資料分析
9.3 投票法
9.4 堆疊法
9.5 自助聚合法
9.6 適應提升法
9.7 梯度提升法
9.8 隨機森林
9.9 不同方法的分析比較
9.10 小結
第 10 章 預測比特幣價格
10.1 時間序列資料
10.2 比特幣資料分析
10.3 建立基準模型
10.4 計算 Sharpe 值
10.5 投票法
10.6 堆疊法
10.7 自助聚合法
10.8 提升法
10.9 隨機森林
10.10 小結
第 11 章 推特（Twitter）情感分析
11.1 情感分析工具
11.2 取得 Twitter 資料
11.3 建立模型
11.4 即時分類推文
11.5 小結
第 12 章 推薦電影
12.1 推薦系統
12.2 神經網路推薦系統
12.3 使用 Keras 實作使用點積的神經網路
12.4 使用 Keras 實作自行探索網路結構的神經網路
12.5 集成多個神經網路，建立推薦系統
12.6 小編補充：集成神經網路的參數
12.7 小結
第 13 章 世界幸福報告分群
13.1 世界幸福報告
13.2 使用原始特徵建立集成模型
13.3 使用正規化特徵建立集成模型
13.4 使用 t-分布隨機鄰居嵌入降維後特徵建立集成模型
13.5 觀察分群結果
13.6 小結
後記
2024專利防護中