Python machine learning

With detailed notes, tables, and examples, this handy reference will help you navigate the basics of structured machine learning. Author Matt Harrison delivers a valuable guide that you can use for ad

This lucid, accessible introduction to supervised machine learning presents core concepts in a focused and logical way that is easy for beginners to follow. The author assumes basic calculus, linear algebra, probability and statistics but no prior exposure to machine learning. Coverage includes widely used traditional methods such as SVMs, boosted trees, HMMs, and LDAs, plus popular deep learning methods such as convolution neural nets, attention, transformers, and GANs. Organized in a coherent presentation framework that emphasizes the big picture, the text introduces each method clearly and concisely “from scratch” based on the fundamentals. All methods and algorithms are described by a clean and consistent style, with a minimum of unnecessary detail. Numerous case studies and concrete examples demonstrate how the methods can be applied in a variety of contexts.

Machine Learning and Medical Imaging presents state-of- the-art machine learning methods in medical image analysis. It first summarizes cutting-edge machine learning algorithms in medical imaging, inc

This volume investigates algorithmic methods based on machine learning in order to design sequential investment strategies for financial markets. Such sequential investment strategies use information

This book covers a wide range of subjects in applying machine learning approaches for bioinformatics projects. The book succeeds on two key unique features. First, it introduces the most widely used m

This important book introduces the concept of intrusion detection, discusses various approaches for intrusion detection systems (IDS), and presents the architecture and implementation of IDS. It emph

This book provides frequently studied and used machines together with soft computing methods such as evolutionary computation. The main topics of the machine learning cover Artificial Neural Networks

This book adopts a detailed and methodological algorithmic approach to explain the concepts of pattern recognition. While the text provides a systematic account of its major topics such as pattern rep

Core Insight：Cross-Domain Data Collaboration: Unlocking Chip PotentialEliminating the "efficiency gap" caused by knowledge silos is the starting point for industry potential. Data doesn't lie; Data Science provides the solution: Through innovation and cross-domain restructuring, we visualize results to become the critical accelerator for boosting efficiency.GenAI Reshaping the Future of SemiconductorsFacing the immense challenge of the slowing pace of Moore's Law, the semiconductor industry urgently requires new breakthroughs. This book is specifically designed to solve the "Efficiency Black Hole" that consumes tens of billions of dollars annually in the industry.The Empowering DTCO Innovation with AI and Machine Learning offers readers a practical DTCO.ML Framework, demonstrating how to leverage Machine Learning (ML) and Generative AI (GenAI) technologies to inject new acceleration into chip manufacturing processes. Learn to master process variability and optimize chip energy efficien

本暢銷系列作品的第4本書，這次的主題是強化學習。書中延續此系列的一貫風格，顯示實際的程式碼，讓讀者邊執行邊學習，不依賴外部程式庫，從零開始建置、學習支撐強化學習的基本技術與概念。 從「理論」與「實踐」兩方面著手，仔細解說強化學習這個複雜主題的構成要素，讓讀者確實掌握強化學習的獨特理論。有別於只用公式說明理論的書籍，讀者可以從書中的程式碼，獲得許多意想不到的領悟。

本書是《Deep Learning : 用Python進行深度學習的基礎理論實作》的續篇，將延續上一本書，繼續介紹與深度學習有關的技術。本書尤其偏重在自然語言處理及時間序列資料處理上，使用深度學習，挑戰各式各樣的問題。和上一本著作一樣，以「從零開始建構」為概念，詳盡介紹與深度學習有關的先進技術。 簡單來說，自然語言處理是指，讓電腦瞭解我們平常說話內容的技術。事實上，這種自然語言處理技術已經大大改變

Master the new computational tools to get the most out of your information system. This practical guide, the first to clearly outline the situation for the benefit of engineers and scientists, pro

Python Machine Learning「機器學習」（machine learning）已是一門改變資料分析方式的重要學科，而本書將引領你進入預測性分析的世界，透過在科學領域已應用得相當廣泛的 Python 程式語言進行實作。藉 由本書，可以幫助你對資料分析的方式做出最佳決策，或是用於提昇機器學習系統的效能。內容包含 scikit-learn、Theano 及 Keras 等一系列強大的 P

Python機器學習第三版（上） Python Machine Learning - Third Edition 第三版－最新修訂版，新增TensorFlow 2、GAN和強化學習等實用內容 使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習 循序漸進、由淺入深，好評熱銷再進化！最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南，也是讀者

用 Python + Keras 實踐深度學習, 解開神經網路模型的黑盒子在高階函式庫 Keras 的幫助下, 用 6 行程式就可寫一隻深度學習神經網路的程式, 建構深度學習模型就像玩樂高積木一樣, 可以輕易將各種神經網路組合在一起, 而每一種模型可用來解決不同的問題。正宗 Keras 大神著作，正體中文版重磅登場本書為 Keras 之父 François Chollet 親自撰寫, 詳細解說神經

風險建模演算法 「Abdullah Karasan成功展現了在金融風險管理領域中使用機器學習的能力，這是對任何金融機構都攸關重要的功能。」 ―Yves J. Hilpisch博士 The Python Quants與The AI Machine創辦人及總裁 「如果您需要將統計和機器學習方法應用在金融風險分析的入門指南，那麼這是一個很好的起點。」 ―Graham L. Giller 《Adventures in Financial Data Science》作者 金融風險管理在人工智慧的幫助下發展迅速。透過這本實用指南，開發人員、程式設計師、工程師、金融分析師、風險分析師及定量和演算法分析師，將可以機器學習和深度學習模型進行金融風險評估。建立基於人工智慧的財務建模實務技能後，您將學習要如何運用機器學習模型來取代傳統的金融風險模型。 作者Abdullah Karasan幫助您探索金融風險建模背後的理論，再深入研究使用Python運用機器學習模型以對金融風險進行建模的實際方法。 有了這本書，您將可以： ‧回顧經典的時間序列應用並將其與深度學習模型進行比較 ‧使用支撐向量迴歸、神經網路和深度學習來探索波動率模型以衡量風險程度 ‧使用機器學習技術來改善市場風險模型(VaR和ES)，並包括了流動性維度 ‧使用分群和貝氏方法來進行信用風險分析 ‧使用高斯混合模型和關聯結構模型來捕捉流動性風險的不同面向 ‧使用機器學習模型來進行詐欺偵測 ‧使用機器學習模型來預測股價崩盤並識別其決定因素

本書是一本學習Python程式設計的入門教材，也是一本入門人工智慧程式設計的基礎教材，可以讓初學者輕鬆自行建立相關的人工智慧應用。在內容上不只完整說明需要具備的Python程式設計能力，更詳細說明常見人工智慧應用的相關套件，可以馬上靈活運用這些套件來建立人工智慧應用，包含：物體識別和OCR文字識別等，最後實際運用Python來建立剪刀、石頭、布等手勢操控Windows應用程式、AI健身教練、車牌辨識和刷臉點名/報到等專案開發。本書特色1.從Python的基礎入門到人工智慧應用。2.使用圖解搭配程式實作奠定Python語言的基礎程式設計。3.使用fChart流程圖直譯工具，了解執行過程和除錯，訓練程式邏輯和解決問題的能力。4.豐富的人工智慧應用：人臉偵測與人臉識別、多手勢追蹤與人體姿態評估、手勢操控、影像分類、物體識別與OCR文字識別等。5.實際使用Teachable Machine網頁工具說明訓練AI模型的步驟和過程，輕鬆建立自己的深度學習模型與應用。

創客與學習程式語言的風潮雙雙來臨, 本書結合創客與程式語言學習, 從培養邏輯思考起步，逐步學會簡單、易懂的 Python 語法, 並且利用 Python 來寫程式控制硬體, 創造有趣的創客應用。本套件總共包含 13 個實驗, 例如： ● 光感應自動電燈 ● LED 呼吸燈 ● 霹靂車跑馬燈 ● 電子鋼琴 ● 氣象預報站Learning by doing, 從做中學才能實際體驗, 在看得到效果的創客

Python可移植、功能強大、而且易於使用，是獨立式程式和描述語言應用程式的理想語言。有這本實用的書在手中，你可以快速而有效率地精通核心Python語言的基礎；無論你是剛接觸程式設計或是剛接觸Python。一旦讀完本書，就會對這個語言有足夠的瞭解，可以運用在你所選的任何應用領域內。

「這本書正是我當年提出『資料科學家』這個職稱時，所希望能擁有的一本書。如果您希望投身資料科學╱工程、人工智慧，或機器學習領域，就該從這裡開始。」 ── DJ Patil 博士，美國首任首席資料科學家 身為一位有志成為資料科學家的讀者，能夠理解各類組織為何仰賴資料來做出關鍵決策──無論是公司在設計網站、還是市政府在改善公共服務，或者是科學家在致力於阻止疾病擴散。而您也希望具備將雜亂資料整理為可行洞見的能力。我們將這整個過程稱為「資料科學生命週期」：也就是從資料的收集、整理、分析，到導出結論的完整流程。 本書是第一本涵蓋程式設計與統計兩大基礎技能、並貫穿整個資料科學生命週期的書籍。本書的對象包括希望成為資料科學家的人、與資料科學家共事的專業人士，以及希望跨越「技術╱非技術」界線的資料分析師。只要具備基本的 Python 程式設計知識，便可學習如何透過業界標準工具（如 pandas）來處理資料： ．將感興趣的問題精煉為可透過資料探究的研究問題 ．執行資料蒐集，其中可能涉及文字處理、網頁爬蟲等技術 ．透過資料清理、探索與視覺化，萃取出有價值的洞見 ．學會使用建模來描述資料特性 ．推廣研究結果，進行超出資料本身的推論

This book is designed for a data structures and algorithms course that uses Python. A key objective is to provide a "back to basics" approach to learning data structures and algorithms without overwh

內容介紹: 別再傻傻只選一個模型訓練很多模型，卻不知道應該選哪一個？沒有一個模型達標？每個模型都有其優缺點，無法取捨？小朋友才做選擇，大人全都要！你該試試集成式學習！集成式學習是使用 2 種或更多的機器學習演算法，來組合出預測能力更好的模型。DeepMind 已經使用集成式學習來組合多個神經網路，控制 Google 資料中心的運作效能；集成式學習技術也在 Kaggle 平台上，席捲了各個競賽的第一名寶座。因此，集成式學習是建立出更具威力的模型，不可或缺的技術之一。本書會介紹實務上常見的集成式學習演算法，如硬投票、軟投票、堆疊法、自助聚合法、適應提升法、梯度提升法、隨機森林、極端隨機樹等，並且使用熱門的 scikit-learn、Keras、OpenEnsembles、XGBoost 等 Python 函式庫來實作各種不同的集成式學習技術，建構出一個強大的模型。熟稔本書的內容後，不但可以精通集成式學習，在實際情境中面對問題時，亦能具備充分的專業知識判斷適用的集成式學習方法，並成功實作它們。書中採用「做中學」的方式，讓你不僅可以快速掌握理論基礎，也能了解各種集成式學習技術的實作，再加上運用真實世界中的資料集，你將能夠建立出更佳的機器學習模型，以解決各種問題，包含迴歸、分類、分群。現在翻開本書，讓我們一起進入集成式學習的世界，整合你所會的全部技術，打造最強大的模型。 本書特色: ● 繁體中文第 1 本集成式學習專書，告訴你不要再傻傻地只選一個模型● 完整介紹集成式學習中常見的演算法，包含極端隨機樹、堆疊法、自助聚合法、提升法等● 一書掌握實作集成式學習的必備套件，如 Scikit-Learn、OpenEnsembles、XGBoost 等● 用 Python 刻演算法給你看，接著告訴你怎麼用套件。讓你不只會做，還懂為什麼這麼做● 以 5 個實務案例來展示集成式學習的威力● 本書由施威銘研究室監修，內容易讀易懂，並加入大量「小編補充」補充必要知識● 本書 Python 範例程式免費下載

Deep Learning Neural Networks is the fastest growing field in machine learning. It serves as a powerful computational tool for solving prediction, decision, diagnosis, detection and decision problems

Deep Learning Neural Networks is the fastest growing field in machine learning. It serves as a powerful computational tool for solving prediction, decision, diagnosis, detection and decision problems

正宗Keras大神著作再次降臨！近10年來，深度學習為人工智慧領域帶來了出色的進展，也解鎖了許多有趣的新功能，如：機器翻譯、影像識別、物體定位等不一而足。毫不誇張地說，深度學習已迅速成為每位軟體開發者必備的武器。此外，諸如Keras和TensorFlow等先進的工具，也消除了普通人與深度學習之間的隔閡。即使你只有高中程度的數學知識，且甚至沒有資料科學的相關背景，也依舊可以透過這些工具來建構有趣的深度學習應用。本書由 Keras 創始者親自撰寫，沒人比他更了解Keras這套工具，雖然如此，但這並不是一本 Keras 的使用手冊，而是帶你從頭開始探索深度學習，進而拓展對深度學習理解的經典之作。你也將從中明瞭解決機器學習問題的標準作業流程，以及未來實務上如何克服可能遇到的問題。本書前一版在全世界都獲得非常高的評價，並被翻譯成12種語言，到現在仍是技術社群推薦必讀的深度學習入門書。不過深度學習技術在這短短幾年有巨大的進展，因此第二版作者新增了許多常見任務的實作專案，例如：影像分割、時間序列預測、機器翻譯等。另外，作者還加入了當前熱門技術的介紹，如attention機制、Transformer架構、KerasTuner等，並搭配實作案例來加深讀者的理解。由於第二版的內容修改幅度極大，因此中文版重新編譯，由業內專家進行翻譯、審閱，在專有名詞的說法和敘述，都更加符合國內業界的習慣用語。無論你是從業中的機器學習工程師、軟體開發人員，還是資訊科系學生，本書的內容都會對你有所幫助。【重磅推薦】 「掌握本質， 了解其所能與不能， 是面對技術快速迭代、世局難以預測的鑰匙。本書就是開啟深度學習的一把鑰匙。」 ——鴻海研究院執行長 李維斌「對於想熟悉 Keras和Tensorflow的技術人來說， 是一本極佳的入門學習書， 而對於不熟悉技術只想一窺門道的人來說， 結構井然的邏輯和極為通暢易讀的寫作方式， 大大降低了非技術出身如我輩的學習門檻。」 ——台灣人工智慧科技基金會執行長 溫怡玲「Keras大神親自出手將最新的發展及其具體應用範例帶到我們面前， 在AI產業界來說， 這是極其重要的大事， 不可等閒視之， 而且是由在 AI領域著墨很深、實踐經驗豐富的黃逸華數據長主持翻譯與審閱工作， 更讓我們充滿期待。」 ——台灣人工智慧協會副理事長 黃國寶「大神再次出手， 這是AI產業化的高光時刻， 很榮幸

內容簡介:以簡單有效率的方式分析資料與預測結果 機器學習的目的是預測，使用你已經知道的來預測你想要知道的—根據這兩者之間的歷史關係。它的核心是一種數學 / 演算法技術，你需要深入瞭解數學與統計學概念，並熟悉 R 與其他專用語言。本書為廣大的讀者簡化機器學習技術，把焦點放在兩種可以有效地預測結果的演算法族群，告訴你如何透過熱門且容易上手的 Python 程式語言來使用它們。 作者 Michael B

This book is for teachers interested in incorporating interaction online into their teaching.Interaction Online is a valuable resource for anyone who wants to incorporate an aspect of online interaction in their language teaching. It is relevant for use with online, blended or face-to-face courses and appropriate for a wide range of teachers and learning contexts. This handbook contains over 75 tried and tested activities, the majority of which can be carried out either synchronously or asynchronously. Activities are purposeful and foster interaction between and among learners and instructors, rather than between learner and machine, and make use of generic tools and applications, such as discussion forums, instant message services and Facebook.

不走捷徑，幫助您真正搞懂「深度學習」的真義這是一本與「深度學習」有關的書籍。從入門開始說明，一步一步帶領你瞭解深度學習必須具備的知識。本書可以幫助您了解：深度學習究竟是什麼？有何特色？根據何種原理來運作？ 從零開始，由實做中學習本書的目標是，盡量避免使用不瞭解內容的「黑盒子」，以基礎的知識為起點，以容易上手的Python撰寫程式，從動手實作的過程中，一步步深入瞭解深度學習。若以車用書籍來比喻這本書

從無到有的實作，在動手做的過程中強化對於深度學習的理解 或許您也曾經用過Tensorflow、PyTorch這類深度學習的框架（Framework），相信您也曾經對裡頭那些神奇的技術與有趣的結構嘆服不已。這本書就是為了解開這些疑問，正確瞭解這些技術而撰寫的。希望你可以從中體會這種技術性的「樂趣」。基於這個目的，本書將秉持著「從零開始製作」的方針，從無到有，一邊操作，一邊思考，透過實作加深理解，獲得

近年來，深度學習的相關演算法已被廣泛使用在電腦視覺(computer vision)、神經機器翻譯(neural machine translation)、神經風格轉換(neural style transfer)及聊天機器人(chatbots)等的應用。 雖然網路上已經提供了許多深度學習的各種演算法程式，但若只會使用程式卻不瞭解各種演算法的內涵，對於深度學習的領域只能是見樹不見林，無法真正體會深

――――超人氣暢銷書《演算法圖鑑》姊妹作，機器學習初學者最佳入門書！―――― 人工智慧時代關鍵能力！深度學習深在哪裡？強化運算思維，建構邏輯概念，一次弄懂深度學習活用之道！ ★ 精闢剖析深度學習發展史，詳述機器學習的基礎知識！★ 完整解說熱門程式語言第一名Python的環境建構和基本語法！★ 圖像化示範TensorFlow和Keras的安裝，開發AI必學必讀！★ 介紹類神經網路

本書是利用Python參加機器學習競賽「kaggle」的入門書。一開始先以適合初學者學習的「Titanic：Machine Learning from Disater」競賽學習Kaggle的基礎。從中除了可學習實踐Titanic的方法，還能掌握自行參加競賽所需的知識。本書具有以下特色：．為了kaggle撰寫的習作教學書籍．每一章或每一節都有具體的主題，可讓讀者按部就班地掌握需要的知識．解說各種表單

Python機器學習第三版（下） Python Machine Learning - Third Edition 第三版－最新修訂版，新增TensorFlow 2、GAN和強化學習等實用內容 使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習 循序漸進、由淺入深，好評熱銷再進化！最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南，也是讀者