精通機器學習｜使用Scikit-Learn與PyTorch


	機器學習「聖經級」著作全新進化，正式擁抱PyTorch生態系！別再只當AI使用者，跟著Aurélien Géron成為AI的打造者。本書將是你技術職涯中最具價值的投資！「本書是初學者踏入機器學習（ML）世界的完美起點。作者以清晰的範例程式與實際的範例，從基礎脈絡到核心概念層層揭開AI的奧祕。你將透過PyTorch與Scikit-Learn的完整操作流程，從入門一路挺進最新的機器學習與深度學習技術。」 ——Louis-François Bouchard，教育者、Towards AI共同創辦人暨CTO 「Géron找出理論與實作的黃金比例，運用Scikit-Learn與PyTorch的實作來幫助你充分掌握重要概念，並以親切、易懂的說明讓複雜知識變得毫無負擔。這本書是我最推薦ML學習資源。」 ——Ulf Bissbort，ZefHub共同創辦人暨CTO 機器學習的潛力正以空前的速度爆發，但它的複雜度總是令門外的開發者與科技工作者望而卻步。現在，無論你想提升技能、在實際專案中導入AI，亦或只想要瞭解AI系統到底如何運作，本書都是帶你邁入AI世界的完美起點。作者Aurélien Géron以親切的筆法與扎實的知識，打造出最全面的機器學習與深度學習入門指南。你將透過清晰的講解與貼近現實的範例，逐步掌握Scikit-Learn、PyTorch、Hugging Face等主流工具，從基本的回歸技術到先進的神經網路架構，並在此基礎上，進一步介紹深度學習架構與現代AI技術，包括Transformer、生成式模型，以及大型語言模型（LLM）的應用與微調方法，一路暢行無阻。本書內容橫跨傳統機器學習與現代深度學習，提供一條從入門到進階的完整學習路徑。無論是初學者、希望強化實作能力的工程師，或是計畫轉向 PyTorch 生態系的開發者，都能透過本書掌握打造智慧系統所需的關鍵知識與技術。 • 瞭解ML基礎知識，包括過度擬合與超參數調校等概念。 • 使用Scikit-Learn來完成一個完整的ML專案，不僅涵蓋資料探索，也包含模型評估。 • 學習無監督學習技巧，例如分群與異常偵測。 • 建立進階架構，例如使用transformer來建構聊天機器人，以及使用PyTorch來打造擴散模型。 • 運用預訓模型（包括LLM）並學習如何微調與提升其速度。 • 使用強化學習來訓練自主的代理。


	目錄前言【第一部分機器學習的基本概念】第一章機器學習全景何謂機器學習？為什麼要使用機器學習？應用範例機器學習系統的類型 ML的主要挑戰測試與驗證習題第二章機器學習專案的完整流程使用真實的資料瞭解大局取得資料探索資料並將資料視覺化以獲得見解為ML演算法準備資料選擇並訓練模型微調你的模型上線、監視與維護你的系統大膽嘗試吧！習題第三章分類 MNIST 訓練二元分類器效能指標多類別分類錯誤分析多標籤分類多輸出分類習題第四章訓練模型線性回歸梯度下降多項式回歸學習曲線正則化線性模型 Logistic回歸習題第五章決策樹訓練與視覺化決策樹進行預測估計類別機率 CART訓練演算法計算複雜度使用Gini不純度還是entropy？正則化超參數回歸對方向敏感決策樹有高變異性習題第六章集成學習與隨機森林投票分類器 Bagging與Pasting 隨機森林 Boosting Stacking 習題第七章降維維數詛咒降維的主要方法 PCA 隨機投影 LLE 其他的降維技術習題第八章無監督學習技術分群演算法：k-means與DBSCAN 高斯混合習題【第二部分神經網路與神度學習】第九章人工神經網路導論從生物神經元到人工神經元使用Scikit-Learn來建構與訓練MLPs 超參數調整指南習題第十章使用PyTorch來建構神經網路 PyTorch基礎實作線性回歸實作回歸MLP 使用DataLoader來實作小批次梯度下降模型評估使用自訂模組來建立非sequential模型使用PyTorch來建立圖像分類器微調神經網路超參數：使用Optuna 儲存與載入PyTorch模型編譯與最佳化PyTorch模型習題第十一章訓練深度神經網路梯度消失／爆炸問題重複使用預訓層更快的optimizer 學習率排程透過正則化來避免過度擬合實務指南習題第十二章深度電腦視覺：使用摺積神經網路視覺皮層的架構摺積層池化層使用PyTorch來實作池化層 CNN架構使用PyTorch來實作ResNet-34 CNN 使用TorchVision的預訓模型用來執行遷移學習的預訓模型分類與定位物體偵測物體追蹤語意分割習題第十三章使用RNN與CNN來處理序列遞迴神經元與階層訓練RNN 預測時間序列處理長序列習題第十四章使用RNN與注意力機制來處理自然語言使用字元RNN來產生莎士比亞風格的句子使用Hugging Face程式庫來分析情感用於神經機器翻譯的Encoder-Decoder網路 Beam Search 注意力機制習題第十五章使用Transformer來執行NLP與製作聊天機器人 Attention Is All You Need：原始的Transformer架構建構可將英文翻譯成西班牙文的Transformer 用Encoder-Only Transformer來理解自然語言 Decoder-Only Transformers 將大型語言模型變成聊天機器人 Encoder-Decoder模型習題第十六章視覺與多模態Transformer 視覺Transformer 多模態Transformers 其他的多模態模型習題第十七章加速Transformer 第十八章自編碼器、GAN與擴散模型有效率的資料表徵使用欠完備的線性自編碼器來執行PCA 堆疊式自編碼器摺積自編碼器去雜訊自編碼器稀疏自編碼器變分自編碼器生成Fashion MNIST圖像生成對抗網路擴散模型習題第十九章強化學習什麼是強化學習？策略梯度基於價值的方法 Actor-Critic演算法使用Stable-Baselines3 PPO來訓練 Atari打磚塊遊戲大師一些常見RL的演算法習題 Thank You! 附錄A自動微分附錄B混合精度與量化索引