Python machine learning

深度學習正日益深刻地滲入我們的生活，從建議內容到在任務關鍵型和安全關鍵型應用中發揮核心作用，其影響無所不在。然而，隨著這些算法影響力的逐漸擴大，人們對於依賴這些算法的系統安全性和魯棒性的擔憂也日益加劇。簡言之，傳統的深度學習方法往往難以察覺自身的知識邊界，即它們“不知其所不知”。貝葉斯深度學習(Bayesian Deep Learning，BDL)領域包含一系列利用深度網絡進行近似貝葉斯推理的方法。這些方法通過揭示模型對其預測結果的置信度，增強了深度學習系統的魯棒性，使我們能夠更謹慎地將模型預測融入實際應用中。《Python貝葉斯深度學習》將引領你踏入迅速發展的不確定性感知深度學習領域，助你深入理解不確定性估計在構建魯棒性的機器學習系統中的重要價值。你將學習多種流行的BDL方法，並通過涵蓋多種應用場景的Python實用示例來掌握這些方法的實現技巧。讀完本書後，你將深刻理解BDL及其優勢，並能夠為更安全、更魯棒的深度學習系統開發貝葉斯深度學習模型。主要內容：● 了解貝葉斯推理和深度學習的優缺點● 了解貝葉斯神經網絡(Bayesian Neural Network，BNN)的基本原理● 了解主要貝葉斯神經網絡實現/近似之間的差異● 了解生產環境中概率深度神經網絡的優勢● 在Python代碼中實現各種貝葉斯深度學習方法● 運用貝葉斯深度學習方法解決實際問題● 學習如何評估貝葉斯深度學習方法並為特定任務選擇最佳方法● 在實際深度學習應用中處理“分布外”數據

This enthusiastic introduction to the fundamentals of information theory builds from classical Shannon theory through to modern applications in statistical learning. Includes over 210 student exercises, emphasising practical applications in statistics, machine learning and modern communication theory. Accompanied by online instructor solutions.

暢銷書《Python機器學習》作者Sebastian Raschka又一原創力作！ 『在本書中，Sebastian帶領讀者深入了解他們在成為專家路上可能遇到的各種中階和高階應用機器學習主題。Sebastian無疑是這個領域最優秀的機器學習教育工作者之一。在每一頁中，Sebastian不僅分享他的豐富知識，也傳達象徵著真正專業的熱情與好奇心。……讓本書成為你晉級下一個階段的橋樑，協助你在機器學習中獲得更豐富的冒險和體驗。』 ——Chris Albon，維基媒體基金會 機器學習總監 專文推薦 ★本書特色★ 市面上大多數的機器學習、深度學習與AI書籍，都位於兩個極端：不是介紹基礎知識的入門指南，就是艱澀難懂的論文大全。在學習完基礎知識、閱讀完初階書籍之後，還想了解更多新觀念和進階技術嗎？作者說明並討論了這些領域的重要發展，同時保持平易近人，讀者不需要擁有進階數學或程式設計背景也能閱讀。全書分為5大篇，共30章，涵蓋30個不同主題。讀者可以依序閱讀，也可以跳著閱讀(但作者建議依序閱讀，由淺入深)，更適合隨時拿出來配著咖啡或在通勤時翻閱。 本書非常適合那些已經完成機器學習或深度學習的基礎課程，或是讀完同等程度初階書籍的人。本書採用獨特的問答風格(Q&A style)，每個簡短的章節都圍繞著一個核心問題展開，這些問題不僅與機器學習、深度學習和AI的基礎觀念相關，更是作者在教學過程中，學生們經常提出的疑問。每個問題後面都附有解釋，並配有許多插圖和圖表，以及測試理解能力的練習題。許多章節還提供了進一步閱讀的參考資料。這些簡短、容易消化的資訊提供了一個激勵人心的起點，幫助讀者踏出成為機器學習專家的第一步，開啟一段新的學習旅程。 ★內容亮點★ ・獨立章節：簡潔又精準地回答AI中的關鍵問題，化繁為簡。 ・主題廣泛：涵蓋神經網路架構、模型評估、電腦視覺、自然語言處理等。 ・實際應用：學會提升模型效能、微調大型模型等重要技術。 ★學習重點★ ・管理神經網路訓練中的各種隨機性來源 ・區分大型語言模型的編碼器架構和解碼器架構 ・利用數據和修改模型來減少過度適合 ・為分類器建立信賴區間，利用有限標籤數據改善模型效能 ・在不同的多GPU訓練範式和各種生成式AI模型之間做出選擇 ・理解自然語言處理的效能指標 ・理解視覺變換器中的歸納偏誤 【下載補充材料範例程式碼】 https://github

「作者完美呈現監管單位觀點、風險管理、可解釋性與其他諸多主題的概觀，同時提供實務建議與程式碼範例。」—Christoph MolnarInterpretable Machine Learning作者「使用獨特戰術處理方式，解決ML系統風險，讓本書脫穎而出。透過細微差異的處理降低ML風險，為讀者提供寶貴資源，以負責任又可持續的方式成功佈署ML系統。」—Liz GrennanDigital Trust, McKinsey&Company初級合夥人暨全球事務共同領導者過去十年，見證了人工智慧與機器學習(AI/ML)技術的廣泛採用。然而，疏於監督這些廣泛實施的技術，導致原本可由適切風險管理來避免的事故與不良後果。在認識AI/ML真正的好處前，從業人員必須瞭解如何降低風險。本書說明負責任AI的處理方式：建立在風險管理、資安、資料隱私上，並套用社交科學的最佳實作，提升AI/ML技術、商業程序與文化能力的完整框架。作者Patrick Hall、James Curtis與Parul Pandey創作了這本指南，以期能協助企業、客戶與大眾改善真實世界AI/ML系統結果的資料科學家。‧學習完整涵蓋可解釋性、模組驗證與除錯、偏見管理、資料隱私與ML安全性的負責任AI技術處理‧學習如何建立成功的、有影響力的AI風險管理實作‧對採用AI技術的現有標準、法律與評估方式有基本瞭解，包括近期的NIST AI Risk Management Framework‧使用GitHub與Colab的互動式資源

如果你主要關注統計分析、數據可視化、線性代數、初等微積分，並希望較快上手，「R語言」會是較佳的選擇！本書獨特之處在於以直觀且實用的方式，清楚介紹人工智慧及機器學習領域中常用的管理數學工具。透過R語言的實作，讀者得以深入理解並實際應用於不同實務情境。書中的實例不侷限於理論探討，更著重實際應用，貼近日常生活，喚起讀者對數學的共鳴與學習熱情。舉例而言，透過應用貝氏定理，探討運動員實際服用興奮劑的真相，以及判斷過濾垃圾郵件的情境。同時，透過極佳化方法的應用，協助航空公司訂定最適價格和最大利潤路線圖等案例，使得理論更具實用性。除此之外，本書擴大管理數學的範疇：從管理數學傳統上僅處理統計、線性代數的刻板印象，將此核心概念延伸至線性轉換、特徵值與特徵向量等進階議題，並且更進一步涵蓋一般書籍較少觸及的「極佳化方法」，包括微分、極值、偏微分以及拉氏乘數等內容，於實用範例中為機器學習（Machine learning）的數學應用奠定基礎。線性規劃的討論更是引領讀者回溯至二戰時期，線性規劃應用於確定空中力量和雷達（radar）的最佳使用，具有時代非凡之意義。同時探討在各種混和限制條件下，欲達目標極大、極小化，使用線性代數中構築人工基底手法，自標準的極大化問題做為起點，經二階段法、對偶問題法、對偶單形法，深入解說 R 軟體 lpSolveAPI 套件背後的數學脈絡或故事。本書精彩內容 ——線性代數｜線性函數｜線性方程組｜矩陣｜向量空間｜線性轉換｜極佳化方法｜拉氏函數｜機率與統計｜單利．複利｜線性規劃｜馬可夫鏈｜預測｜本書特色☑ 以 R 軟體的程式語言與過程，深入解說並印證數學定義、定理☑ 透過 R 軟體的印證，經驗的移轉，形塑跨電腦語言的整體處理思維☑ 促成 R 軟體成為數學符號以外的第二語言，加速數學學習效率☑ 將人工智慧及機器學習常用之數學思維，應用於資料分析及解決管理問題