Scikit-learn 詳解與企業應用：機器學習最佳入門與實戰


	★★★★★【機器學習唯一指定】★★★★★ ☆☆☆☆☆【入門】+【實戰】☆☆☆☆☆ AI 專業大師陳昭明老師全新力作，帶你一次到位，完整學習Scikit-learn！　　以Scikit-learn套件為主體，介紹各類的演算法，同時提供大量應用實例，全面性的掌握理論、技術與實作，為機器學習入門者的最佳夥伴！　　★詳細的程式說明　　★遵循完整的機器學習開發流程　　★資料的探索、清理、特徵工程、模型訓練、評估、參數調校到最終的部署　　本書主要的特點　　1. 以完整的機器學習開發流程角度出發。　　2. 每一個演算法都包括原理、自行開發、Scikit-learn函數用法，最後再附應用實例。　　3. 以「統計／數學」為出發點，介紹機器學習必備的數理基礎，使用大量圖解，並以程式開發加深掌握演算法原理，增進學習樂趣。　　4. 完整實用的範例程式及各種演算法的延伸應用，能在企業內應用自如。


	目錄第 1 章 Scikit-learn入門 1-1 Scikit-learn簡介 1-2 學習地圖 1-3 開發環境安裝 1-4 Jupyter Notebook 1-5 撰寫第一支程式 1-6 本章小結 1-7 延伸練習第 2 章資料前置處理 2-1 資料源(Data Sources) 2-2 Scikit-learn內建資料集 2-3 資料清理 2-4 遺失值(Missing value)處理 2-5 離群值(Outlier)處理 2-6 類別變數編碼 2-7 其他資料清理 2-8 本章小結 2-9 延伸練習第 3 章資料探索與分析 3-1 資料探索的方式 3-2 描述統計量(Descriptive statistics) 3-3 統計圖 3-4 實務作法 3-5 本章小結 3-6 延伸閱讀第 4 章特徵工程 4-1 特徵縮放(Feature Scaling) 4-2 特徵選取(Feature Selection) 4-3 特徵萃取(Feature Extraction) 4-4 特徵生成(Feature Generation) 4-5 小結 4-6 延伸練習第 5 章迴歸 5-1 線性迴歸(Linear regression) 5-2 非線性迴歸(Non-linear regression) 5-3 迴歸的假設與缺點 5-4 時間序列分析(Time Series Analysis) 5-5 過度擬合(Overfitting)與正則化(Regularization) 5-6 偏差(Bias)與變異(Variance) 5-7 本章小結 5-8 延伸練習第 6 章分類演算法(一) 6-1 羅吉斯迴歸(Logistic Regression) 6-2 最近鄰(K nearest neighbor) 6-3 單純貝氏分類法(Naïve Bayes Classifier) 6-4 本章小結 6-5 延伸練習第 7 章分類演算法(二) 7-1 支援向量機(Support Vector Machine) 7-2 決策樹(Decision Tree) 7-3 隨機森林(Random Forest) 7-4 ExtraTreesClassifier 7-5 本章小結 7-6 延伸練習第 8 章模型效能評估與調校 8-1 模型效能評估 8-2 效能衡量指標(Performance Metrics) 8-3 ROC/AUC 8-4 詐欺偵測(Fraud Detection)個案研究 8-5 本章小結 8-6 延伸練習第 9 章集群 9-1 K-Means Clustering 9-2 階層集群(Hierarchical Clustering) 9-3 以密度為基礎的集群(DBSCAN) 9-4 高斯混合模型(Gaussian Mixture Models) 9-5 影像壓縮(Image Compression) 9-6 客戶區隔(Customer Segmentation) 9-7 本章小結 9-8 延伸練習第 10 章整體學習 10-1 整體學習概念說明 10-2 多數決(Majority Voting) 10-3 裝袋法(Bagging) 10-4 強化法(Boosting) 10-5 堆疊(Stacking) 10-6 本章小結 10-7 延伸練習第 11 章其他課題 11-1 半監督式學習(Semi-supervised learning) 11-2 可解釋的AI(Explainable AI, XAI) 11-3 機器學習系統架構 11-4 結語