Python machine learning

機器學習(Machine Learning，ML)是人工智能的一個分支，它是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。機器學習方法可以根據經驗數據自動完成模型參數學習，而不需要人為設定規則，大幅降低了人工分析的工作量和難度，已成為目前解決人工智能相關問題的主要方式。

近年來，人工智能與機器人在全世界範圍內備受關注。但是從2014年開始，國際權威調研機構高德納諮詢公司(Gartner)每年公佈的十大技術中，“大數據”這樣的詞語已經不再出現了。這不是因為“大數據”不再重要，而是意味著自2015年以後，“大數據”已經包含在十大技術裡，或者已經成為這些技術的基礎。“大數據”不僅可以用於構建和應用分析模型，還可以應用於機器學習(Machine Learning)、人工智能等諸多領域。本書從多種觀點出發，闡述了對大數據分析的理解和在環境、大數據企劃與設計層面上需要考慮的問題。

《強化學習基礎、原理與應用》循序漸進地講解了使用Python語言實現強化學習的核心算法開發的知識，內容涵蓋了數據處理、算法、大模型等知識，並通過具體實例的實現過程演練了各個知識點的使用方法和使用流程。《強化學習基礎、原理與應用》共分為17章，主要內容包括強化學習基礎、馬爾可夫決策過程、蒙特卡洛方法、Q-learning與貝爾曼方程、時序差分學習和SARSA算法、DQN算法、DDQN算法、競爭DQN算法、REINFORCE算法、Actor-Critic算法、PPO算法、TRPO算法、連續動作空間的強化學習、值分布式算法、基於模型的強化學習、多智能體強化學習實戰：Predator-Prey 遊戲及自動駕駛系統。本書內容簡潔而不失技術深度，以極簡的文字介紹了複雜的案例，易於閱讀和理解。《強化學習基礎、原理與應用》適用於已經瞭解Python語言基礎語法的讀者，想進一步學習強化學習、機器學習、深度學習及相關技術的讀者，還可作為大專院校相關專業的師生用書和培訓機構的教材使用。

特色1. 數據處理和數據分析並重。針對金融大數據結構複雜、數據源和格式變換大的特點，充分講述SAS軟件DATA步強大的數據處理功能，強化金融數據處理內容。2. 將SAS數據分析能力強和R和Python靈巧和業界流行的特點相結合，建立融合SAS和R及Python的數據處理和分析教材構架，進行教學大綱、授課教案到教材、案例集和習題集等課程要件建設。3. 以《金融計量經濟學》為知識依托，以海通證券金融工程部、天風證券金融工程部、等有名券商量化金融策略為具體案例內容，以權益（股票）市場和債券（固定收益）市場為主要應用領域，以日數據（daily data）為主、高頻日內數據（intraday data）為輔，建立從數據搜集到數據清理、從投資組合到交易策略和算法交易等金融量化方法的教學案例。創新點1. 填補國內教材空白。作為一款權威的數據處理和統計分析軟件，多年來SAS在國內（尤其是銀行系統）得到了廣泛應用。已出版的教材多以操作和數據處理編程為主，針對金融數據處理和分析的書籍並不多見，尤其講解金融數據分析的SAS過程步（Proc step）的教材難以見到。本教材擬對分析金融時間序列的SAS過程進行詳細和全面的介紹，充分揭示SAS在處理和分析金融時間序列數據上的優勢，填補國內教材空白。2.SAS Viya平臺介紹和R、Python的軟件融合。SAS Viya 2016年推出以來，得到了很快的發展，出現了基於SAS Viya 云分析服務CAS的很多應用，國內一些金融機構也採用了SAS Viya構建自己的數據分析平臺。但國內介紹SAS Viya的書很少，沒有發現介紹利用SAS Viya中的ACTION進行金融數據分析的書籍。對SAS Viya的介紹以及利用SAS Viya中的Econometrics8.4 ACTION、Visal Statistical Analysis ACTION、Deep Learning ACTION等進行金融數據處理和分析的內容，是本教材的創新之處。

人工智慧（AI）將改變人類與所有產業的生態。 如果你對人工智慧，沒有全面的了解，那就跟不上時代了。很多影響人類的科技發展，都無法做出正確的判斷。 一個知名的投資專家說，比起5G，人人手上有，處處可見基地台，AI只有少數大公司用得上，到底有無潛力？有！但是不要想得太美了。 他說的對不對？很難判斷嗎？讀完本書，你就會找到正確的解答。 其實AI有三種，一種是雲端，就是連到那幾家大公司的機房，用他們大的嚇死人的算力。 一種是在本地運算，如汽車的自動駕駛。第三種則是運用在最前端的偵測裝置，以求最快的反應時間。 所以你說AI只有幾家大公司用得上，好像也沒有那麼對。 所以你要把它想得美一點，它是平地一聲雷，輝達、台積電的股價都應該後面加一千個零，是嗎？ 但是你知道有資訊科技以來，人類至少經過三次AI的浪潮。很多公司運用AI運用得嚇嚇叫，如文藝復興基金，用機器學習投資，20年來平均的年化報酬率遠勝巴菲特。 所以你說AI前程遠大！很OK，但它說他橫空出世？倒也未必，它只是一個連續的改善過程！ 當然有關AI最誇張的是想像是《魔鬼終結者》，一個是幹掉想毁滅人類的傢伙，而且他可以和人腦一樣的運作。不過有的人是殺人魔，有的人是慈善家。不知可以和人腦一樣運作的AI是慈善家或是殺人魔？ AI的形式有很多種，從撰寫大量複雜的函式來實現人工智慧的專家系統，到以大量資料反求智慧判定函式的演算法，如支援向量機（Support Vector Machine, SVM）、決策樹（Decision Tree）等，此領域統稱為機器學習（Machine Learning, ML），而運用神經網路技術，將網路的節點深度擴展延伸，以獲得更好的智慧判定效果，則稱為深度學習（Deep Learning, DL）。 你越了解AI的技術背景，就越能掌握它未來對人類的影響。如果你想投資AI相關產業，就更是需要深入了解了。 任何資訊科技的運用都有兩個層面，軟體以及執行軟體的硬體。本書除了說明AI運用的基本原理之外，也將詳細說明有關AI的軟體及硬體產業鏈。對一個投資人而言，完整的了解一個產業的上下游關係，是十分必要的。 總不能輝達業績創新高，而你完全沒有概念台積電會好還是不好吧？ 本書以圖文對照的方式，讓你對AI有清楚的認識。不論投資、或生活，可以在新科技浪潮中，穩定前行。 本書特色 ◎100個單元，

國內外最具代表性案例，9大專題實戰、15個分類實例 Google Colab、Microsoft Azure兩大雲端應用，人臉辨識、自然語言、 文字識別、語音轉換、分析預測、物件自動標示、影像辦識真正實練， 從資料收集整理、模型訓練調整，檢測修正到產出全面解秘！ 資料科學(Data Science)技術崛起後，人工智慧(Artificial Intelligence)、機器學習(Machine L

Machine Learning - Modeling Data Locally and Globally presents a novel and unified theory that tries to seamlessly integrate different algorithms。 Specifically， the book distinguishes the inner nature

本書的主要目標是，大家一起來「不寫程式，而學AI」。例如不知Python而亦能用TensorFlow。 當今的AI是屬於機器學習(Machine Learning)的一支，基於神經網路( NN: Neural Network)的深度學習。現在，人人都想去理解AI電腦(即機器)到底是如何學習的，以便掌握AI技術熱潮，捷足先登，踏進這項當今的主流產業(AI人工智慧)。 然而，AI機器學習的演算法(Algorithm)又非常依賴於高等數學的運算式，包括線性、非線性函數、N維矩陣(Array)、張量(Tensor)、微分導數、梯度(Gradient)下降、梯度消失等大家很陌生的數學概念和術語。這些複雜性大大阻礙人人親近AI的機會和途徑。俗語說：「面對複雜，唯有簡單」。所以，尋覓和創造一個簡單、親切的途徑，讓人人都能享受，就能彌平進入AI的高大門檻了。Google推出的AI平台：TensorFlow。雖然它還不能完全實踐的美好境界，但可望它是一個不錯的起點了。於是，本書就將Excel試算表與TensorFlow結合起來，就能實現了。不懂程式設計而能學AI，好比不懂車而能學開車。在本書裡，筆者把與分離開來。於是大多數不諳編程技術者，皆能直接切入，而輕鬆愉快地學習AI了。

內容介紹: 在 ChatGPT 和 AIGC 應用發光發熱之際，你是不是驚覺：怎麼 AI 已經離我這麼近了！其實 AI 一直都在，只是默默在背後運作，然而多數人還不認識 AI，因而有許多神話或恐懼的想法。-▌如果你是上班族：看到媒體、新聞反覆報導，又說 AI 多厲害，又說 AI 會造成失業，到底 AI 是甚麼？對你的工作有甚麼幫助或影響？有危機意識的你該如何擺脫宿命？▌如果你是新鮮人或轉職者：懂不懂 AI，直接影響未來求職的競爭力。當企業對 AI 求才若渴，你的履歷會需要多點 AI 來加分！不過之前學校教的不多，網路資源又讓人似懂非懂，想要獲得企業青睞，該從何下手？▌如果你是家長：這一代年輕人就是 AI 原生族群，AI 勢必伴隨著他們成長，而 AI 所帶來的影響也是避無可避，想要消弭可能的科技代溝，該怎麼預防？-AI 時代已然揭開序幕，要在這個時代生存，你需要對 AI 有基本素養，首要認識 AI、知道 AI 的能耐與限制，然後懂得運用 AI 來提高效率，彌補自身不足，才不會被改革的浪潮所淹沒。有感於一般大眾對於 AI 的認識有限，就算詳讀許多相關資料，單憑書籍、網路文章的隻字片語，難以對 AI 有深刻體悟。作者將人工智慧看似艱澀難懂的知識，經由淺顯易懂的觀念講解，搭配 40 個零基礎也能玩的實作，化為大家都「看得懂、說得出、做得到」的 AI 素養。沒有程式、沒有數學的學習門檻，帶領你無痛體驗生成式 AI、機器學習、深度學習、自然語言處理、電腦視覺辨識...等各種 AI 技術，不懂程式的你，也可以親手訓練 AI、掌握 AI，讓 AI 成為你的神助手！ 本書特色: ▌專家學者誠摯推薦 ▌王年燦｜致理科技大學 創新設計學院 教授兼院長林仁智｜國立臺北教育大學 數位科技設計系教授兼系主任林筱玫｜台灣人工智慧協會 執行長區國良｜國立清華大學 學習科學與科技研究所 教授張一偉｜凡甲科技總經理張維元｜「資料科學家的工作日常」版主(以上依照姓名筆劃順序排列)\ 一看就懂的 AI 最強入門書 /貼近科技脈動，跟上 AI 技術發展腳步，吸收新知不落伍！● 生成式 AI (Generative AI)● 機器學習 (Machine Learning)● 深度學習 (Deep Learning)● 卷積神經網路 (CNN)● 循環神經網路 (RNN)

本書以自上而下和自下而上的方法來展示針對不同領域實際問題的深度學習解決方案，包括圖像識別、自然語言處理、時間序列預測和機器人操縱等。還討論了採用諸如TensorFlow、PyTorch、Keras和CNTK等流行的深度學習開源框架用於實際問題的解決方案及其優缺點。本書內容包括：用於深度學習的編程環境、GPU計算和雲端解決方案；前饋神經網絡與卷積神經網絡；循環與遞歸神經網絡；強化學習與生成對抗網絡；

本書作者曾在北美多家智能專業公司任高級架構師，有20年數據挖掘、機器學習方面的設計、開發、管理經驗。他結合自己多年的行業經歷，總結了自己在機器學習方面的知識和實際工程中的經驗，提供了大量一線資料。本書不僅介紹了機器學習中的常用算法，而且給出了具體實施環境和經驗總結。重點介紹了相關算法，包括：相關因子算法、聚類算法、分類算法、回歸與測試算法等。不僅列舉了詳細示例，還介紹了算法在工程實踐中的具體應用，

The process of inductive inference -- to infer general laws and principles from particular instances -- is the basis of statistical modeling, pattern recognition, and machine learning. The Minimum Des

本書共6章。第1章介紹機器學習的基本概念及其發展史、機器學習分類、常見機器學習算法及其特點；第2章搭建機器學習開發環境，主要包括Anaconda\PyCham\Python軟件的安裝及使用，以及常見機器學習庫的介紹和安裝使用方法；第3章介紹監督學習的4個經典算法：線性回歸、決策樹、k近鄰和支持向量機算法，其重點在算法的應用；第4章介紹主成分分析降維算法、K-means聚類算法；第5章介紹人工神經網絡基礎，並通過房價預測和手寫數字識別實例進行驗證；第6章介紹強化學習的基本概念，有模型學習和無模型學習，最後介紹了Q-Learning算法和Sarsa算法。