本書內容兼顧理論與實務，用大量示意圖與範例，幫助讀者建立機器學習的基本概念。第一章介紹機器學習的基本概念與類型，幫助讀者快速入門。第二章深入探討監督式學習，涵蓋多種經典演算法，如線性回歸、決策樹與神經網路等。第三章則介紹非監督式學習，重點講解資料探索與聚類方法。第四章專注於模型評估與優化，幫助讀者提升模型性能。最後，第五章通過台股數據分析與YOLO物件辨識兩個實戰專案，讓讀者實際應用所學知識，開啟機器學習與深度學習的探索之旅。
第一章 機器學習新手上路
1-1 什麼是機器學習
1-2 機器學習的種類
1-3 免費練習開發平台
1-4 機器學習步驟
第二章 監督式學習
2-1 線性回歸 Linear Regression
2-2 支援向量機 Support Vector Machine
2-3 單純貝氏分類器 Naïve Bayes Classifier
2-4 決策樹Decision Tree
2-5 隨機森林 Random Forest
2-6 神經網路 Neural Network
2-7 近鄰演算法 K-Nearest Neighbors
第三章 非監督式學習
3-1 主成分分析 Principal Components Analysis
3-2 非負矩陣 Non-negative Matrix Factorization
3-3 平均分群演算法 K-means
3-4 高斯混合分布 Gaussian Mixture Models
第四章 評估方法與訓練技巧
4-1 分類問題評估
4-2 回歸問題評估
4-3 交叉驗證 Cross-Validation
4-4 批次量 Batch Size
第五章 最終挑戰—實戰應用
5-1 AI 股票理財專家
5-2 YOLOv9 物件辨識
結語
附錄
附錄一 專有名詞解釋
附錄二 環境安裝
附錄三 參考文獻
習題asnd 第一章 機器學習新手上路
1-1 什麼是機器學習
1-2 機器學習的種類
1-3 免費練習開發平台
1-4 機器學習步驟
第二章 監督式學習
2-1 線性回歸 Linear Regression
2-2 支援向量機 Support Vector Machine
2-3 單純貝氏分類器 Naïve Bayes Classifier
2-4 決策樹Decision Tree
2-5 隨機森林 Random Forest
2-6 神經網路 Neural Network
2-7 近鄰演算法 K-Nearest Neighbors
第三章 非監督式學習
3-1 主成分分析 Principal Components Analysis
3-2 非負矩陣 Non-negative Matrix Factorization
3-3 平均分群演算法 K-means
3-4 高斯混合分布 Gaussian Mixture Models
第四章 評估方法與訓練技巧
4-1 分類問題評估
4-2 回歸問題評估
4-3 交叉驗證 Cross-Validation
4-4 批次量 Batch Size
第五章 最終挑戰—實戰應用
5-1 AI 股票理財專家
5-2 YOLOv9 物件辨識
結語
附錄
附錄一 專有名詞解釋
附錄二 環境安裝
附錄三 參考文獻
習題askw 第一章 機器學習新手上路
1-1 什麼是機器學習
1-2 機器學習的種類
1-3 免費練習開發平台
1-4 機器學習步驟
第二章 監督式學習
2-1 線性回歸 Linear Regression
2-2 支援向量機 Support Vector Machine
2-3 單純貝氏分類器 Naïve Bayes Classifier
2-4 決策樹Decision Tree
2-5 隨機森林 Random Forest
2-6 神經網路 Neural Network
2-7 近鄰演算法 K-Nearest Neighbors
第三章 非監督式學習
3-1 主成分分析 Principal Components Analysis
3-2 非負矩陣 Non-negative Matrix Factorization
3-3 平均分群演算法 K-means
3-4 高斯混合分布 Gaussian Mixture Models
第四章 評估方法與訓練技巧
4-1 分類問題評估
4-2 回歸問題評估
4-3 交叉驗證 Cross-Validation
4-4 批次量 Batch Size
第五章 最終挑戰—實戰應用
5-1 AI 股票理財專家
5-2 YOLOv9 物件辨識
結語
附錄
附錄一 專有名詞解釋
附錄二 環境安裝
附錄三 參考文獻
習題
1-1 什麼是機器學習
1-2 機器學習的種類
1-3 免費練習開發平台
1-4 機器學習步驟
第二章 監督式學習
2-1 線性回歸 Linear Regression
2-2 支援向量機 Support Vector Machine
2-3 單純貝氏分類器 Naïve Bayes Classifier
2-4 決策樹Decision Tree
2-5 隨機森林 Random Forest
2-6 神經網路 Neural Network
2-7 近鄰演算法 K-Nearest Neighbors
第三章 非監督式學習
3-1 主成分分析 Principal Components Analysis
3-2 非負矩陣 Non-negative Matrix Factorization
3-3 平均分群演算法 K-means
3-4 高斯混合分布 Gaussian Mixture Models
第四章 評估方法與訓練技巧
4-1 分類問題評估
4-2 回歸問題評估
4-3 交叉驗證 Cross-Validation
4-4 批次量 Batch Size
第五章 最終挑戰—實戰應用
5-1 AI 股票理財專家
5-2 YOLOv9 物件辨識
結語
附錄
附錄一 專有名詞解釋
附錄二 環境安裝
附錄三 參考文獻
習題asnd 第一章 機器學習新手上路
1-1 什麼是機器學習
1-2 機器學習的種類
1-3 免費練習開發平台
1-4 機器學習步驟
第二章 監督式學習
2-1 線性回歸 Linear Regression
2-2 支援向量機 Support Vector Machine
2-3 單純貝氏分類器 Naïve Bayes Classifier
2-4 決策樹Decision Tree
2-5 隨機森林 Random Forest
2-6 神經網路 Neural Network
2-7 近鄰演算法 K-Nearest Neighbors
第三章 非監督式學習
3-1 主成分分析 Principal Components Analysis
3-2 非負矩陣 Non-negative Matrix Factorization
3-3 平均分群演算法 K-means
3-4 高斯混合分布 Gaussian Mixture Models
第四章 評估方法與訓練技巧
4-1 分類問題評估
4-2 回歸問題評估
4-3 交叉驗證 Cross-Validation
4-4 批次量 Batch Size
第五章 最終挑戰—實戰應用
5-1 AI 股票理財專家
5-2 YOLOv9 物件辨識
結語
附錄
附錄一 專有名詞解釋
附錄二 環境安裝
附錄三 參考文獻
習題askw 第一章 機器學習新手上路
1-1 什麼是機器學習
1-2 機器學習的種類
1-3 免費練習開發平台
1-4 機器學習步驟
第二章 監督式學習
2-1 線性回歸 Linear Regression
2-2 支援向量機 Support Vector Machine
2-3 單純貝氏分類器 Naïve Bayes Classifier
2-4 決策樹Decision Tree
2-5 隨機森林 Random Forest
2-6 神經網路 Neural Network
2-7 近鄰演算法 K-Nearest Neighbors
第三章 非監督式學習
3-1 主成分分析 Principal Components Analysis
3-2 非負矩陣 Non-negative Matrix Factorization
3-3 平均分群演算法 K-means
3-4 高斯混合分布 Gaussian Mixture Models
第四章 評估方法與訓練技巧
4-1 分類問題評估
4-2 回歸問題評估
4-3 交叉驗證 Cross-Validation
4-4 批次量 Batch Size
第五章 最終挑戰—實戰應用
5-1 AI 股票理財專家
5-2 YOLOv9 物件辨識
結語
附錄
附錄一 專有名詞解釋
附錄二 環境安裝
附錄三 參考文獻
習題
Details
Review
0 ratings
1 stars
0%
2 stars
0%
3 stars
0%
4 stars
0%
5 stars
0%
Write a review
Eligible to write reviews after purchasing products or add to Library
