|
| 商品編號： | DCM8272 | |
| 商品名稱： | 最新機器學習的教科書 出版公司:深智數位 作者:伊藤真 類型:電腦資訊-程式設計 PDF電子書 繁體中文版 | | | 語系版本： | PDF電子書 繁體中文版 | |
| 運行平台： | PDF電子書,沒有任何平台限制,終身使用 | |
| 更新日期： | 2026-05-01 | |
| 光碟片數： | 1片CD光碟 | |
| 銷售價格： | $100元 | |
| 熱門標籤： | 深智數位
伊藤真
電腦資訊
程式設計
| |
最新機器學習的教科書 出版公司:深智數位 作者:伊藤真 類型:電腦資訊-程式設計 PDF電子書 繁體中文版
商品資料
作者：伊藤真
出版社：深智數位
出版年：2021
課程類型：電腦資訊>程式設計
檔案格式：PDF
ISBN：9789860776393
書籍簡介
輕鬆簡單的好書，讓你從入門到高手，掌握機器學習及神經網路的數學、理論與實作！
▌使用Jupyter Notebook
全書所附的程式碼完整簡單，更棒的是用Jupyter Notebook開發，初學者可以在一個網頁上寫程式、執行、查看結果，還可以作筆記，圖形介面和有條不紊的程式碼管理，比起直接在命令行零零散散地輸入Python程式碼，更能激發學習的動力。
▌搭配範例詳細解說
完善可運行的程式碼、豐富詳細的範例、直觀的資料圖型、細緻具體的公式推導、程式碼實作，彷彿一位好的老師在親手教我學習演算法。
▌程式結合數學公式，一看就懂
本書繼承了大部分日文技術書的傳統特色，對沒有學過Python和需要複習數學基礎的初學者是非常易懂的，內容安排循序漸進，推導過程完整清楚，圖文並茂，理論與實作相結合。一行行的程式碼與一行行的公式一一對應，讓原本晦澀難懂的公式變得簡明流暢起來。
你一定可以運用這些方法看懂了原本看不懂的大學經典教材，再加上TensorFlow和最好用的Keras，快點搭上本書的特快車趕上機器學習人工智慧的新浪潮吧！
作者簡介
作者簡介
伊藤真
日本栃木縣人，目前居住在神奈川縣。
2000年獲得日本東北大學大學院資訊科學博士學位，研究內容為老鼠導航行為的數理模型。2004年~2016年在沖繩科學技術大學院大學擔任神經計算單元實驗小組負責人，主要研究如何通過強化學習模型解釋老鼠的選擇行為和腦活動。
2017年入職Progress Technologies株式會社，研究人工智慧的產業應用。
興趣是用瓦楞紙板做手工藝品。
章節
第 1 章 | 學習前的準備(第1-1頁)- 1.1 關於機器學習(第1-2頁)
- 1.2 安裝 Python(第1-7頁)
- 1.3 Jupyter Notebook(第1-11頁)
- 1.4 安裝 Keras 和 TensorFlow(第1-17頁)
第 2 章 | Python 基礎知識(第2-1頁)- 2.1 四則運算(第2-2頁)
- 2.2 變數(第2-3頁)
- 2.3 類型(第2-4頁)
- 2.4 print 敘述(第2-6頁)
- 2.5 list（陣列變數）(第2-8頁)
- 2.6 tuple（陣列）(第2-11頁)
- 2.7 if 敘述(第2-13頁)
- 2.8 for 敘述(第2-15頁)
- 2.9 向量(第2-16頁)
- 2.10 矩陣(第2-21頁)
- 2.11 矩陣的四則運算(第2-24頁)
- 2.12 切片(第2-26頁)
- 2.13 替換滿足條件的資料(第2-28頁)
- 2.14 help(第2-29頁)
- 2.15 函數(第2-30頁)
- 2.16 保存檔案(第2-32頁)
第 3 章 | 資料視覺化(第3-1頁)- 3.1 繪製二維圖形(第3-2頁)
- 3.2 繪製三維圖形(第3-10頁)
第 4 章 | 機器學習中的數學(第4-1頁)- 4.1 向量(第4-2頁)
- 4.2 求和符號(第4-10頁)
- 4.3 累乘符號(第4-13頁)
- 4.4 導數(第4-14頁)
- 4.5 偏導數(第4-19頁)
- 4.6 矩陣(第4-30頁)
- 4.7 指數函數和對數函數(第4-48頁)
第 5 章 | 監督學習：回歸(第5-1頁)- 5.1 一維輸入的直線模型(第5-2頁)
- 5.2 二維輸入的平面模型(第5-19頁)
- 5.3 D 維線性回歸模型(第5-27頁)
- 5.4 線性基底函數模型(第5-33頁)
- 5.5 過擬合問題(第5-40頁)
- 5.6 新模型的生成(第5-51頁)
- 5.7 模型的選擇(第5-55頁)
- 5.8 小結(第5-57頁)
第 6 章 | 監督學習：分類(第6-1頁)- 6.1 一維輸入的二元分類(第6-2頁)
- 6.2 二維輸入的二元分類(第6-23頁)
- 6.3 二維輸入的三元分類(第6-33頁)
第 7 章 | 神經網路與深度學習(第7-1頁)- 7.1 神經元模型(第7-3頁)
- 7.2 神經網路模型(第7-8頁)
- 7.3 使用 Keras 實現神經網路模型(第7-46頁)
第 8 章 | 神經網路與深度學習的應用（手寫數字辨識）(第8-1頁)- 8.1 MINST 資料集(第8-2頁)
- 8.2 二層前饋神經網路模型(第8-4頁)
- 8.3 ReLU 啟動函數(第8-11頁)
- 8.4 空間篩檢程式(第8-16頁)
- 8.5 卷積神經網路(第8-21頁)
- 8.6 池化(第8-26頁)
- 8.7 Dropout(第8-27頁)
- 8.8 融合了各種特性的 MNIST 辨識網路模型(第8-28頁)
第 9 章 | 無監督學習(第9-1頁)- 9.1 二維輸入資料(第9-2頁)
- 9.2 K-means 演算法(第9-4頁)
- 9.3 混合高斯模型(第9-16頁)
第 10 章 | 本書小結(第10-1頁)
|
您現在的位置：
電子書綜合教學
